AI-For-Beginners/translations/lt/lessons/3-NeuralNetworks

Įvadas į neuroninius tinklus

Kaip aptarėme įvade, vienas iš būdų pasiekti intelektą yra treniruoti kompiuterinį modelį arba dirbtines smegenis. Nuo XX a. vidurio mokslininkai bandė įvairius matematinius modelius, kol pastaraisiais metais ši kryptis tapo itin sėkminga. Tokie smegenų matematiniai modeliai vadinami neuroniniais tinklais.

Kartais neuroniniai tinklai vadinami Dirbtiniais neuroniniais tinklais (angl. Artificial Neural Networks, ANNs), siekiant pabrėžti, kad kalbame apie modelius, o ne apie tikrus neuronų tinklus.

Mašininis mokymasis

Neuroniniai tinklai yra platesnės disciplinos, vadinamos Mašininiu mokymusi, dalis. Jos tikslas – naudoti duomenis kompiuteriniams modeliams treniruoti, kad jie galėtų spręsti problemas. Mašininis mokymasis sudaro didelę dalį Dirbtinio intelekto, tačiau šiame kurse klasikinio mašininio mokymosi neaptarsime.

Apsilankykite mūsų atskirame kurse Mašininis mokymasis pradedantiesiems, kad sužinotumėte daugiau apie klasikinį mašininį mokymąsi.

Mašininiame mokymesi daroma prielaida, kad turime tam tikrą pavyzdžių duomenų rinkinį X ir atitinkamas išėjimo reikšmes Y. Pavyzdžiai dažnai yra N-dimensijų vektoriai, sudaryti iš savybių, o išėjimai vadinami žymėmis.

Mes nagrinėsime dvi dažniausiai pasitaikančias mašininio mokymosi problemas:

• Klasifikacija, kai reikia priskirti įvesties objektą vienai iš dviejų ar daugiau klasių.
• Regresija, kai reikia prognozuoti skaitinę reikšmę kiekvienam įvesties pavyzdžiui.

Kai įvestys ir išėjimai pateikiami kaip tensoriai, įvesties duomenų rinkinys yra M×N dydžio matrica, kur M – pavyzdžių skaičius, o N – savybių skaičius. Išėjimo žymės Y yra M dydžio vektorius.

Šiame kurse dėmesį sutelksime tik į neuroninių tinklų modelius.

Neurono modelis

Iš biologijos žinome, kad mūsų smegenys sudarytos iš neuroninių ląstelių, kurių kiekviena turi kelis „įėjimus“ (aksonus) ir vieną išėjimą (dendritą). Aksonai ir dendritai gali perduoti elektrinius signalus, o jungtys tarp aksonų ir dendritų gali turėti skirtingą laidumą (kontroliuojamą neuromediatoriais).

Tikras neuronas (Vaizdas iš Vikipedijos)	Dirbtinis neuronas (Autoriaus vaizdas)

Taigi, paprasčiausias neurono matematinis modelis turi kelis įėjimus X₁, ..., X_N, vieną išėjimą Y ir svorių rinkinį W₁, ..., W_N. Išėjimas apskaičiuojamas taip:

kur f yra tam tikra nelinijinė aktyvavimo funkcija.

Ankstyvieji neurono modeliai buvo aprašyti klasikiniame straipsnyje A logical calculus of the ideas immanent in nervous activity, kurį 1943 m. parašė Warren McCullock ir Walter Pitts. Donald Hebb savo knygoje "The Organization of Behavior: A Neuropsychological Theory" pasiūlė, kaip šiuos tinklus galima treniruoti.

Šiame skyriuje

Šiame skyriuje sužinosime apie:

• Perceptroną, vieną iš ankstyviausių neuroninių tinklų modelių, skirtų dviejų klasių klasifikacijai
• Daugiasluoksnius tinklus su susietu užrašų knygele kaip sukurti savo sistemą
• Neuroninių tinklų sistemas, su šiomis užrašų knygelėmis: PyTorch ir Keras/Tensorflow
• Perdidelį pritaikymą

---

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo.