2555d81160
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Úvod do neuronových sítí
Jak jsme si řekli v úvodu, jedním ze způsobů, jak dosáhnout inteligence, je trénovat počítačový model nebo umělý mozek. Od poloviny 20. století vědci zkoušeli různé matematické modely, až se v posledních letech ukázalo, že tento směr je mimořádně úspěšný. Tyto matematické modely mozku se nazývají neuronové sítě.
Neuronové sítě se někdy nazývají Umělé neuronové sítě (Artificial Neural Networks, ANNs), aby bylo jasné, že mluvíme o modelech, nikoli o skutečných sítích neuronů.
Strojové učení
Neuronové sítě jsou součástí širší disciplíny nazvané Strojové učení, jejímž cílem je využívat data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, nicméně v tomto kurzu se klasickým strojovým učením nezabýváme.
Navštivte náš samostatný Strojové učení pro začátečníky kurz, kde se dozvíte více o klasickém strojovém učení.
Ve strojovém učení předpokládáme, že máme nějakou datovou sadu příkladů X a odpovídající výstupní hodnoty Y. Příklady jsou často N-dimenzionální vektory, které se skládají z atributů, a výstupy se nazývají štítky.
Budeme se zabývat dvěma nejběžnějšími problémy strojového učení:
- Klasifikace, kde je potřeba zařadit vstupní objekt do dvou nebo více tříd.
- Regrese, kde je potřeba předpovědět číselnou hodnotu pro každý z vstupních vzorků.
Při reprezentaci vstupů a výstupů jako tenzorů je vstupní datová sada matice o velikosti M×N, kde M je počet vzorků a N je počet atributů. Výstupní štítky Y jsou vektor o velikosti M.
V tomto kurzu se zaměříme pouze na modely neuronových sítí.
Model neuronu
Z biologie víme, že náš mozek se skládá z nervových buněk, z nichž každá má několik "vstupů" (axony) a jeden výstup (dendrit). Axony a dendrity mohou vést elektrické signály a spojení mezi axony a dendrity mohou vykazovat různé stupně vodivosti (řízené neuromediátory).
 |
 |
|---|---|
| Skutečný neuron (Obrázek z Wikipedie) | Umělý neuron (Obrázek od autora) |
Nejjednodušší matematický model neuronu tedy obsahuje několik vstupů X1, ..., XN a jeden výstup Y, a řadu vah W1, ..., WN. Výstup se vypočítá jako:
kde f je nějaká nelineární aktivační funkce.
Rané modely neuronu byly popsány v klasickém článku A logical calculus of the ideas immanent in nervous activity od Warrena McCullocka a Waltera Pittse v roce 1943. Donald Hebb ve své knize "The Organization of Behavior: A Neuropsychological Theory" navrhl způsob, jak tyto sítě trénovat.
V této sekci
V této sekci se naučíme:
- Perceptron, jeden z nejstarších modelů neuronových sítí pro klasifikaci do dvou tříd
- Vícevrstvé sítě s přiloženým notebookem jak vytvořit vlastní framework
- Frameworky neuronových sítí, s těmito notebooky: PyTorch a Keras/Tensorflow
- Přeučení
Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.