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

Wprowadzenie do sieci neuronowych

Jak omówiliśmy we wstępie, jednym ze sposobów osiągnięcia inteligencji jest trenowanie modelu komputerowego lub sztucznego mózgu. Od połowy XX wieku naukowcy próbowali różnych modeli matematycznych, aż w ostatnich latach ten kierunek okazał się niezwykle skuteczny. Takie matematyczne modele mózgu nazywane są sieciami neuronowymi.

Czasami sieci neuronowe nazywane są Sztucznymi Sieciami Neuronowymi (Artificial Neural Networks, ANNs), aby podkreślić, że mówimy o modelach, a nie o rzeczywistych sieciach neuronów.

Uczenie maszynowe

Sieci neuronowe są częścią większej dziedziny zwanej Uczeniem Maszynowym, której celem jest wykorzystanie danych do trenowania modeli komputerowych zdolnych do rozwiązywania problemów. Uczenie maszynowe stanowi dużą część sztucznej inteligencji, jednak w tym programie nauczania nie omawiamy klasycznego uczenia maszynowego.

Odwiedź nasz osobny program nauczania Uczenie Maszynowe dla Początkujących, aby dowiedzieć się więcej o klasycznym uczeniu maszynowym.

W uczeniu maszynowym zakładamy, że mamy jakiś zbiór danych przykładów X oraz odpowiadające im wartości wyjściowe Y. Przykłady często są N-wymiarowymi wektorami składającymi się z cech, a wartości wyjściowe nazywane są etykietami.

Rozważymy dwa najczęstsze problemy uczenia maszynowego:

• Klasyfikacja, gdzie musimy sklasyfikować obiekt wejściowy do dwóch lub więcej klas.
• Regresja, gdzie musimy przewidzieć wartość liczbową dla każdego z próbek wejściowych.

Reprezentując dane wejściowe i wyjściowe jako tensory, zbiór danych wejściowych jest macierzą o rozmiarze M×N, gdzie M to liczba próbek, a N to liczba cech. Etykiety wyjściowe Y są wektorem o rozmiarze M.

W tym programie nauczania skupimy się wyłącznie na modelach sieci neuronowych.

Model neuronu

Z biologii wiemy, że nasz mózg składa się z komórek nerwowych, z których każda ma wiele "wejść" (aksonów) i jedno wyjście (dendryt). Aksony i dendryty mogą przewodzić sygnały elektryczne, a połączenia między aksonami a dendrytami mogą wykazywać różne stopnie przewodności (kontrolowane przez neuromediatory).

Prawdziwy neuron (Obraz z Wikipedii)	Sztuczny neuron (Obraz autora)

Najprostszy matematyczny model neuronu zawiera kilka wejść X₁, ..., X_N oraz jedno wyjście Y, a także serię wag W₁, ..., W_N. Wyjście jest obliczane jako:

gdzie f jest pewną nieliniową funkcją aktywacji.

Wczesne modele neuronu zostały opisane w klasycznym artykule A logical calculus of the ideas immanent in nervous activity autorstwa Warrena McCullocka i Waltera Pittsa w 1943 roku. Donald Hebb w swojej książce "The Organization of Behavior: A Neuropsychological Theory" zaproponował sposób, w jaki te sieci mogą być trenowane.

W tej sekcji

W tej sekcji dowiemy się o:

• Perceptronie, jednym z najwcześniejszych modeli sieci neuronowych do klasyfikacji dwuklasowej
• Sieciach wielowarstwowych wraz z notatnikiem jak zbudować własny framework
• Frameworkach sieci neuronowych, z tymi notatnikami: PyTorch i Keras/Tensorflow
• Przeuczeniu

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż staramy się zapewnić dokładność, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.