Τεχνητά Νευρωνικά Δίκτυα – Artificial Neural Networks

• Τι είναι τα τεχνητά νευρωνικά δίκτυα;

Ένα τεχνητό νευρωνικό δίκτυο είναι ένας συμπαγής παράλληλος κατανεμημένος

επεξεργαστής που έχει τη φυσική δυνατότητα να αποθηκεύει εμπεριστατωμένη γνώση και

να την κάνει διαθέσιμη για χρήση.

• Κύριο Πλεονέκτημα: παρουσιάζει ανοχή σε δεδομένα εκπαίδευσης με θόρυβο,

δηλαδή δεδομένα που περιστασιακά έχουν λανθασμένες τιμές (π.χ. λάθη

καταχώρησης).

• Κύριο Μειονέκτημα: αδυνατεί να εξηγήσει ποιοτικά τη γνώση που μοντελοποιεί.

 

 

• Εφαρμογές Τεχνητών Νευρωνικών Δικτύων: Τα ΤΝΔ επιλύουν κυρίως  προβλήματα που σχετίζονται με τον ανθρώπινο παράγοντα, όπως αναγνώριση ομιλίας, εικόνας, κειμένου κλπ.

1. Σχεδιασμός ενεργειών, Χρονοπρογραμματισμός
2. Αναγνώριση προτύπων (π.χ. υπογραφών, ομιλίας, γραφής, εικόνων, κλπ)
3. Πρόβλεψη (π.χ. καιρού, τιμών μετοχών)
4. Συστήματα ελέγχου που βασίζονται στην ασαφή λογική

 

Bιολογία | Μοντέλα για την όραση

Ιατρική | Ανάγνωση και ανάλυση των ακτίνων Χ

Στρατιωτική τέχνη | Αναγνώριση και παρακολούθηση στόχων

Χρηματοοικονομικά | Ανάλυση επικινδυνότητας δανείων

Βιομηχανία | Έλεγχος στην γραμμή παραγωγής

Περιβάλλον | Πρόβλεψη καιρού

 

• Διαδικασία Μάθησης (1):  Τα ΤΝΔ πραγματοποιούν δύο βασικές λειτουργίες: τη μάθηση-εκπαίδευση (learning) και την ανάκληση (recall).

 

Μάθηση (εκπαίδευση): είναι η διαδικασία της τροποποίησης της τιμής των βαρών του δικτύου wi ώστε, δοθέντος συγκεκριμένου (γνωστού) διανύσματος εισόδου, να παραχθεί συγκεκριμένο (γνωστό) διάνυσμα εξόδου (δημιουργία μοντέλου), η μάθηση πραγματοποιείται σε ένα μέρος των διαθεσίμων δεδομένων εισόδου- εξόδου (π.χ.70%).

Ανάκληση: είναι η διαδικασία του υπολογισμού ενός διανύσματος εξόδου για συγκεκριμένο διάνυσμα εισόδου με βάση τα βάρη που έχουν καθοριστεί από τη διαδικασία μάθησης (εφαρμογή μοντέλου, π.χ. για το υπόλοιπο 30%).

 

• Διαδικασία Μάθησης (2): 

1. Μάθηση υπό επίβλεψη (supervised learning):  Στο δίκτυο δίνονται ζευγάρια διανυσμάτων εισόδου – επιθυμητής εξόδου.
2. Μάθηση χωρίς επίβλεψη (unsupervised learning):  Δίνονται μόνο δεδομένα εισόδου. Στόχος δεν είναι η εκτίμηση των αποτελεσμάτων από τα δεδομένο εισόδου αλλά η επεξεργασία των δεδομένων εισόδου.

 

• Εκπαίδευση Νευρωνικών Δικτύων: 

1. Κανόνας Δέλτα (Delta rule):  ΤΝΔ τα οποία δεν έχουν κρυφά (ενδιάμεσα) επίπεδα.
2. Ανάστροφη μετάδοση λάθους (Βack propagation): Αποτελεί την πιο γνωστή μέθοδο εκπαίδευσης νευρωνικών δικτύων πολλών επιπέδων.

 

• Πηγές:  https://eclass.upatras.gr/modules/document/file.php/CIV1756/8-Artificial%20Neural%20Networks%20%28ANN%29.pdf

 

• Αξίζει να το δείτε…https://youtu.be/BVNcQ5xpYM8