Бритвина П.В.
НЕЙРОННЫЕ СЕТИ: МОДЕЛИРОВАНИЕ И ПРИМЕНЕНИЕ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ *
Аннотация:
в статье говорится об искусственных нейронных сетях, их развитии с 60-х годов прошлого века, аналогии с человеческим мозгом, процессе применения и выбора структуры для задач, а также роли обучения и эффективности в разных сценариях применения
Ключевые слова:
обучение, образование, информационные технологии, нейронные сети, развитие
УДК 004
Бритвина П.В.
студентка 4 курса САФУ
Северный (Арктический) федеральный университет
(Россия, г. Архангельск)
НЕЙРОННЫЕ СЕТИ: МОДЕЛИРОВАНИЕ
И ПРИМЕНЕНИЕ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ
Аннотация: в статье говорится об искусственных нейронных сетях, их развитии с 60-х годов прошлого века, аналогии с человеческим мозгом, процессе применения и выбора структуры для задач, а также роли обучения и эффективности в разных сценариях применения.
Ключевые слова: обучение, образование, информационные технологии, нейронные сети, развитие.
Искусственные нейронные сети представляют собой математическую абстракцию и модель, которая начала свое развитие в 60-х годах прошлого века в рамках создания искусственного интеллекта. В своем начальном этапе исследователи стремились эмулировать структуру и функционирование человеческого мозга. Так возникла терминология, а также концепция перцептронов – основных элементов искусственных нейронных сетей. Человеческий мозг содержит около 65 миллиардов нейронов, каждый из которых соединен с десятками синапсов. Этот разнообразный состав нейронов делает изучение мозга сложным заданием. Важно отметить, что существует разнообразие типов нейронов – около 100 видов. Однако моделирование мозга представляет сложность: его сложно смоделировать, а еще сложнее обеспечить параллельную работу, поскольку мозг действует как суперкомпьютер с миллиардами параллельно работающих нейронов. В современной теории параллельных вычислений сосредотачиваются на работе с сотнями процессоров, в то время как мозг оперирует миллиардами [1].
Для успешного применения нейронных сетей в решении различных задач необходимо следовать определенному процессу. Сначала требуется четко определить характер задачи, которую необходимо решить. Затем следует проанализировать какие данные будут поступать на вход сети, а какие результаты ожидаются на выходе [2].
Следующим шагом является выбор наилучшей структуры нейронной сети для данной задачи. Это может быть сеть прямого распространения, рекуррентная сеть, сверточная сеть или другие. Универсальные нейронные сети, такие как многослойный перцептрон, могут использоваться для разных задач, но их эффективность может варьироваться. Поэтому важно выбирать наилучшую сеть исходя из конкретных требований задачи.
Подготовка данных также имеет важное значение, включая их нормализацию под формат выбранной сети.
Экспериментальное подбор параметров является неотъемлемой частью процесса. Обучение нейронной сети – ключевой этап, на котором оптимизируются веса и связи между нейронами для достижения нужных результатов. Обучение может быть с учителем, где разработчик предоставляет явные указания, или самообучением, где сеть делает выводы на основе поданных данных.
Оценка качества работы нейронной сети и анализ количества ошибок позволяют понять, насколько эффективно решается задача. Как правило, сразу после первой итерации результат может не соответствовать требованиям, и потребуется несколько итераций для улучшения.
Таким образом, нейронные сети успешно применяются для распознавания образов, прогнозирования, сжатия данных, создания искусственного интеллекта, а также в задачах принятия решений и управления, включая управление автомобилями и роботами [3].
СПИСОК ЛИТЕРАТУРЫ:
Номер журнала Вестник науки №8 (65) том 3
Ссылка для цитирования:
Бритвина П.В. НЕЙРОННЫЕ СЕТИ: МОДЕЛИРОВАНИЕ И ПРИМЕНЕНИЕ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ // Вестник науки №8 (65) том 3. С. 92 - 94. 2023 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/9779 (дата обращения: 09.09.2024 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2023. 16+