Νευρωνικά Δίκτυα Tutorial

Τα νευρωνικά δίκτυα είναι μια βασική μορφή του συστήματος εκμάθησης που είναι κοινά σε τεχνητή νοημοσύνη πειράματα και σχέδια . Πρόωρη νευρικών συστημάτων δίκτυο άρχισε να γίνει διαθέσιμο στα τέλη του 1980 , ως απλά συστήματα λογισμικού και υβριδικά συστήματα που έτρεξε σε εξειδικευμένο υλικό . Ιστορία
Η

Οι αρχικές έννοιες των νευρωνικών δικτύων και των νευρικών computing αναπτύχθηκε κατά τη διάρκεια της δεκαετίας του 1940 . Από τη δεκαετία του 1950 , ένα απλό δίκτυο δύο στρώσεων αποδείχθηκε η βασική ιδέα . Ωστόσο , ορισμένοι περιορισμοί - όπως η αδυναμία να λύσει τα προβλήματα XOR , μια βασική λειτουργία στην ψηφιακή υπολογιστών - . περιορισμένο ενδιαφέρον για την τεχνολογία μέχρι τα τέλη του 1970 και στις αρχές της δεκαετίας του 1980
εικόνων Φυσικό Προσομοίωση Συστημάτων

Ένα νευρωνικό δίκτυο προσομοιώνει τις δραστηριότητες των βιολογικών νευρωνικών συστημάτων . Εάν το σύστημα είναι το λογισμικό που βασίζεται και εκτελείται σε έναν υπολογιστή ή ένα σύστημα υλισμικού και λογισμικού που έχουν σχεδιαστεί για τη μάθηση , η βασική ιδέα είναι να δημιουργηθεί ένα σύστημα υπολογιστή που μιμείται τις φυσικές λειτουργίες του εγκεφάλου . Σε αντίθεση με τα γραμμικά συστήματα , όπου η είσοδος επενεργεί και μια προβλέψιμη παραγωγή είναι το αποτέλεσμα των υπολογισμών , τα νευρωνικά δίκτυα με σκοπό την δημιουργία αλγορίθμων πρόβλεψης βασίζονται στη γνωστή καλή εισόδους και εξόδους και είναι , ως εκ τούτου , μπορούν να μάθουν από την προηγούμενη εμπειρία .

εικόνων Making Sense of Chaos
Η

Νευρωνικά δίκτυα εργασίας από την παρακολούθηση των γνωστών καλές εισόδους . Για παράδειγμα , τα νευρωνικά δίκτυα για να προβλέψει την κατεύθυνση της χρηματιστηριακής αγοράς μπορεί να έχει ιστορικά γεγονότα εγγράφονται ως εισροές και η προκύπτουσα αύξηση ή πτώση στην αγορά εισήλθε ως αποτελέσματα . Με την είσοδο χιλιάδες ιστορικά γεγονότα και τα αποτελέσματα του χρηματιστηρίου , ένα νευρωνικό δίκτυο μπορεί να αρχίσει να προσπαθήσουμε να προβλέψουμε τις αυξήσεις και πτώσεις με βάση τις τρέχουσες εισροές . Καθώς το δίκτυο συγκεντρώνει περισσότερα δεδομένα , θα μπορούν να μάθουν να κάνουν πιο ακριβείς προβλέψεις για την αγορά .
Εικόνων Πλεονεκτήματα
Η

Τα νευρωνικά δίκτυα μπορούν να αναπτύξουν αλγόριθμους που βασίζονται σε γνωστές εισόδους και τα αποτελέσματα , και μπορεί τελικά να μάθουν να προβλέψει τα γεγονότα με υψηλό βαθμό βεβαιότητας . Επειδή νευρωνικά δίκτυα είναι παράλληλα συστήματα , αν ένα μέρος του συστήματος αποτύχει, άλλα μέρη να συνεχίσουν να λειτουργούν κανονικά . Επειδή ένα νευρωνικό δίκτυο είναι ένα φυσικό σύστημα μάθησης , τη στιγμή που δημιουργήθηκε, γενικά απαιτεί καμία προγραμματισμού .
Εικόνων Μειονεκτήματα
Η

Ένα μειονέκτημα ενός νευρωνικού δικτύου είναι ότι χρειάζεται χρόνο για να τρένο . Το δίκτυο θα είναι τόσο καλό όσο τα αρχικά δεδομένα και να διορθωθούν τα δεδομένα εκπαίδευσης και μόνο. Αν το νευρωνικό δίκτυο δίνεται εσφαλμένα στοιχεία και είπαν τα δεδομένα είναι σωστά , αυτό θα ισχύει ότι έγκυρα δεδομένα για τις μελλοντικές αποφάσεις και προβλέψεις . Που βασίζονται σε λογισμικό νευρωνικά δίκτυα λειτουργούν με διαφορετικές αρχιτεκτονικές ό, τι πιο κοινά υπολογιστές . Ως εκ τούτου , εκτός εάν χρησιμοποιείται ειδικό σύστημα υλικού και λογισμικού , τα πολύπλοκα συστήματα μετάφρασης που απαιτούνται για τη μετατροπή νευρικά στοιχεία σε μια μορφή χρησιμοποιήσιμη από κοινά συστήματα πληροφορικής.
Η
εικόνων