Нейронные сети

Актуальность. В настоящее время искусственные нейронные сети широко используются при решении самых разнообразных задач особенно там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. Например, при распознавании текстов, игре на фондовых рынках, контекстной рекламе в Интернете, фильтрации спама, проверки проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения и др. Решения на основе искусственных нейронных сетей становятся все более совершенными и популярными, поэтому можно предположить, что и в будущем искусственные нейронные сети будут широко использоваться за счет лучшего понимания их основополагающих принципов [7]. Именно поэтому важно изучить основные понятия нейронных сетей и рассмотреть тенденции их развития. Цель работы: изучить основные понятия нейронных сетей и применить полученные знания для моделирования своей нейронной сети. Задачи работы:  изучить основные понятия нейронных сетей, а именно: определение и виды нейронных сетей, применение нейронных сетей и основные проблемы.  реализовать алгоритм обучения нейронной сети с использованием обратного распространения ошибки.

---

Интересует расчет стоимости бизнес плана ? Заходите на Work5 и заполняйте форму.

---

. Объектом исследования являются нейронные сети. Предметом исследования является метод обратного распространения ошибки для обучений нейронных сетей. Методы исследования. При написании работы были использованы дедуктивные (при составлении шагов алгоритма), эмпирические (для многократно-повторяющихся действий) и описательные методы (извлечение из источников литературы необходимых для исследования сведений). Структура работы. Работа состоит из введения, двух глав, заключения и списка использованных источников.

Во время выполнения работы была достигнута поставленная цель: изучены основные понятия нейронных сетей и полученные знания применены для моделирования своей нейронной сети. Для достижения цели были решены следующие задачи:  изучены основные понятия нейронных сетей, а именно: а. определения и виды нейронных сетей; б. применение нейронных сетей и основные проблемы.  реализован алгоритм обучения нейронной сети с использованием обратного распространения ошибки. Сегодня существует много модификаций алгоритма обратного распространения ошибки. Возможно обучение не «по шагам» (выходная ошибка вычисляется, веса корректируются на каждом примере), а «по эпохам» в offline-режиме (изменения весовых коэффициентов происходит после подачи на вход нейросети всех примеров обучающего множества, а ошибка обучения neural сети усредняется по всем примерам). Обучение «по эпохам» более устойчиво к выбросам и аномальным значениям целевой переменной благодаря усреднению ошибки по многим примерам. Зато в данном случае увеличивается вероятность «застревания» в локальных минимумах. При обучении «по шагам» такая вероятность меньше, ведь применение отдельных примеров создаёт «шум», «выталкивающий» алгоритм обратного распространения из ям градиентного рельефа. Появление алгоритма обратного распространения ошибки стало знаковым событием и положительно отразилось на развитии нейросетей, ведь он реализует эффективный с точки зрения вычислительных процессов способ обучения многослойного персептрона. В то же самое время, было бы неправильным сказать, что алгоритм предлагает наиболее оптимальное решение всех потенциальных проблем.

1. Бурый Я. А. Нейроэволюционное подкрепляющее обучение нейронных сетей // Системный анализ. – 2021. – № 4, – С. 16-24 2. Данилов, В. В. Нейронные сети : учебное пособие / В. В. Данилов. – Донецк : ДонНУ, 2020. – 158 с. 3. Классификация нейронных сетей [электронный ресурс]. – Режим доступа: https://aisimple.ru/12-klassifikacija-nejronnyh-setej.html (Дата обращения: 19.09.2022) 4. Нейронные сети [электронный ресурс]. – Режим доступа: https://sbercloud.ru/ru/services/neural-networks (Дата обращения: 19.09.2022) 5. Ростовцев, В. С. Искусственные нейронные сети : учебник для вузов / В. С. Ростовцев. – 2-е изд., стер. – Санкт-Петербург : Лань, 2021. – 216 с. 6. Хливненко, Л. В. Практика нейросетевого моделирования : учебное пособие для вузов / Л. В. Хливненко, Ф. А. Пятакович. — 2-е изд., стер. – Санкт-Петербург : Лань, 2021. – 200 с. 7. Цаунит, А. Н. Перспективы развития и применения нейронных сетей / А. Н. Цаунит // Молодой ученый. – 2021. – № 23 (365). – С. 114-117. 8. Ямшев, К. А. Нейронные сети: цели и проблемы / К. А. Ямшев // Современное профессиональное образование: опыт, проблемы, перспективы : Материалы Международной научно-практической конференции. В 2-х частях, Ростов-на-Дону, 22 марта 2021 года. – Ростов-на-Дону: Южный университет (ИУБиП), "Издательство ВВМ", 2021. – С. 113-117. 9. Artificial neural networks optimization and convolution neural networks to classifying images in remote sensing: A review / K. A. Alafandy, H. Omara, M. Lazaar, M. Al Achhab // ACM International Conference Proceeding Series : 4, Rabat, 23–24 октября 2019 года. – Rabat, 2019. 10. Frank E.-S. An Introductory Review of Deep Learning for Prediction Models With Big Data // E.-S. Frank, Y. Zhen, F. Han, T. Shailesh, Dehmer Matthias. – 2020. – №3. P. 125-135. 11. Neuroscience and artificial intelligence can help improve each other [electronic resource]. – 2019. – Access mode: https://theconversation.com/neuroscience-and-artificial-intelligence-can-help-improve-each-other-110869 (Date of the application: 19.09.2022)