3c760d21ff
|
||
|---|---|---|
| .. | ||
| 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 velmi 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 využít data k trénování počítačových modelů, které dokážou řešit problémy. Strojové učení tvoří velkou část umělé inteligence, avšak klasické strojové učení v tomto kurzu neprobíráme.
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 třeba zařadit vstupní objekt do dvou nebo více tříd.
- Regrese, kde je třeba 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 (neuronů), z nichž každá má několik "vstupů" (dendritů) a jeden "výstup" (axon). Dendrity i axony mohou vést elektrické signály a spojení mezi nimi — známá jako synapse — mohou vykazovat různé stupně vodivosti, které jsou regulovány neurotransmitery.
 |
 |
|---|---|
| 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 z roku 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 dvoutřídovou klasifikaci
- Vícevrstvé sítě s doprovodným notebookem jak vytvořit vlastní framework
- Frameworky neuronových sítí, s těmito notebooky: PyTorch a Keras/Tensorflow
- Přeučení
Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlad Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho rodném jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Nejsme zodpovědní za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.