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 < br >

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