Sztuczna sieć neuronowa – przegląd

Sztuczne sieci neuronowe (ANN) reprezentują znaczący postęp w technologii uczenia maszynowego. Wiele postępów w dziedzinie sztucznej inteligencji to nowe modele statystyczne, z ANN jako dominującą technologią napędzającą te przemiany.

Chociaż ANN są inspirowanymi mózgiem systemami obliczeniowymi, różnią się od biologicznych sieci neuronowych badanych w neurobiologii. Systemy te składają się z warstw wejściowych i wyjściowych z ukrytymi jednostkami przetwarzającymi, które przekształcają dane w użyteczne wyniki.

Historycznie rzecz biorąc, ANN ewoluowały z modeli perceptronów opracowanych w latach 60. XX wieku z wykorzystaniem neuronów McCullocha-Pittsa. Badacze później opracowali wielowarstwowe perceptrony, które stały się synonimem nowoczesnych sztucznych sieci neuronowych.

Trzy główne zastosowania ANN obejmują: klasyfikację, która kategoryzuje dane na predefiniowane klasy; klastrowanie, które grupuje dane w niezdefiniowane kategorie; oraz prognozowanie, które przewiduje przyszłe wyniki na podstawie historycznych wzorców.

ANN funkcjonują poprzez nadzorowane uczenie, gdzie sieci uczą się poprzez przetwarzanie licznych przykładów pytanie-odpowiedź. Obliczenia i wartości pytane i odpowiadane są przechowywane w każdym neuronie, a synapsy są powoli dostosowywane poprzez proces zwany propagacją wsteczną.

Istnieją trzy główne typy architektoniczne. Rekurencyjne sieci neuronowe odnoszą się do ograniczeń poprzez włączanie poprzedniej wiedzy. Konwolucyjne sieci neuronowe efektywnie przetwarzają dane obrazów poprzez ponowne użycie neuronów. Systemy uczenia przez wzmacnianie maksymalizują nagrody poprzez optymalizację zachowań.