Documente Academic
Documente Profesional
Documente Cultură
cu propagare a informaţiei numai dinspre intrare spre ieşire, reţele de tip feedforward
reţele recurente (cu reacţie).
Un dezavantaj al reţelelor neurale îl constituie lipsa teoriei care să precizeze tipul reţelei şi numărul
de neuroni elementari, precum şi modalitatea de interconectare. Există câteva tehnici de
tip pruning sau de tip learn and grow, dar acestea sunt în intense cercetări.
Algoritmi de învăţare[modificare | modificare sursă]
Principala deosebire a reţelelor neurale faţă de alte sisteme (electronice) de prelucrare a
informaţiilor îl constituie capacitatea de învăţare în urma interacţiunii cu mediul înconjurător, şi
îmbunătăţirii performanţelor. O reprezentare corectă a informaţiilor, care să permită interpretarea,
predicţia şi răspunsul la un stimul extern, poate permite reţelei să construiască un model propriu al
procesului analizat. Acest model va putea răspunde astfel unor stimuli neutilizaţi
în procesele anterioare de învăţare ale reţelei RNA. Informaţiile utilizate în procesul de învăţare pot
fi: informaţii disponibile a priori sau perechi intrare-ieşire(care stabilesc relaţii de tipul cauză-efect),
iar modul de reprezentare internă urmăreşte un set de reguli bine documentate. Aceşti algoritmi pot
fi clasificaţi după mai multe criterii cum ar fi:disponibilitatea răspunsului dorit la ieşirea
reţelei, existenţa unui model analitic, tipul aplicaţiei în care sunt utilizaţi, dar cele mai multe
documentaţii se rezumă la două clase mari: învăţarea supravegheată (care presupune existenţa în
orice moment a unei valori dorite a fiecărui neuron din stratul de ieşire) şiînvăţarea
nesupravegheată (în care reţeaua extrage singură anumite caracteristici importante a datelor de
ieşire, în urma unui gen de competiţie între neuronii elementari). În ultima perioadă se remarcă încă
o clasă de algoritmi, algoritmii de învăţare folosind un critic, rezultaţi în urma observaţiilor
experimentale făcute pe animale, acestia fiind de tipul recompensă/pedeapsă.
Aproximări de funcţii
Predicţii ale unor serii temporale
Clasificări
Recunoaştere de tipare
Recunoaştere vocală
Scanarea retinei
Învăţarea robotului care se verifică în mod constant cu un om
Astfel de implementări ale reţelelor neurale, legate de sectorul bussines se întâlnesc în:
previziuni financiare
controlul proceselor industriale
cercetări de piaţă
validări de date pe bază de clasificări şi de tipare
management de risc
previziuni de marketing
Reţele neurale folosind algoritmi genetici pot fi folosite în controlul roboţilor industriali. Un alt
domeniu de interes pentru reţelele neurale este medicina şi sistemele biomedicale. În acest moment
se utilizează reţele neurale pentru descoperirea de boli, prin recunoaşterea unor tipare de
pe cardiograme, ş.a.
1. Sinapsele pe care un neuron le făcea prin dendrite cu alţi neuroni au devenit intrări;
2. Corpul neuronului a devenit un sumator şi o funcţie de activare (numită şi funcţie de
TRANSFER)
3. Axonul a devenit ieşirea
4. Pentru a reprezenta caracteristici neliniare simple s-a introdus noţiunea de bias
Pe la sfârşitul anilor 1940, Hebb, având la bază teoriile lui Pavlov, a enunţat principiul adaptării
permeabilităţii sinaptice conform căruia de fiecare dată când o conexiune sinaptică este folosită,
permeabilitatea ei creşte. Acest principiu stă la baza procesului de învăţare prin modificarea
ponderilor sinaptice.
În anii 1950 apare şi prima aplicaţie practică, Frank Rosenblatt realizează o implementare hard,
numită perceptron, utilizată în recunoaşterea caracterelor. Tot în anii 1950 Bernard Windrow şi Ted
Hoff dezvoltă algoritmi de învăţare pentru reţele neurale liniare cu un singur nivel de unităţi
funcţionale. Algoritmii lor sunt bazaţi pe minimizarea erorii pe setul de date de antrenare. În anul
1969 Marvin Minsky şi Seymor Papert publică cartea "Perceptrons" care pune în evidenţă limitările
la care sunt supuse reţelele neurale cu un singur nivel de unităţi funcţionale. Acesta părea a fi
sfârşitul reţelelor neurale. Publicarea acestui material, corelată cu lipsa unor echipamente de calcul
digital suficient de puternice, face ca o mare parte din companiile care investeau în cercetările din
acest domeniu să se reorienteze, iar o mare parte dintre cercetători îşi abandonează studiul în
această direcţie.
Anii 1970 sunt mult mai liniştiţi şi doar câţiva cercetători mai sunt cu adevărat activi în domeniu.
Printre ei merită amintiţi Teuvo Kohonen, Sames Anderson precum şi Stephen Grossberg (foarte
activ în cercetarea reţelelor cu auto-organizare).
Anii 1980 aduc, pe lângă noi descoperiri în domeniul reţelelor neurale, şi calculatoare digitale mai
puternice capabile să ajute cercetătorii în demersurile lor. Astfel că la începutul anilor 1980, odată cu
o nouă abordare a reţelelor folosind formalismul fizicii statistice prin punerea în evidenţă a analogiei
între reţelele recurente (destinate memorării asociative) şi sistemele de spini magnetici propusă
de John Hopfield se marchează începutul unei noi perioade de interes în domeniu, caracterizată prin
extinderea domeniilor de aplicabilitate şi volumul mare de implementări soft şi hard folosite în
aplicaţiile practice.