Rețele neuronale artificiale

(O rețea neuronală artificială este un grup interconectat de noduri, inspirat de o simplificare a neuronilor dintr-un creier. Aici, fiecare nod circular reprezintă un neuron artificial, iar o săgeată reprezintă o conexiune de la ieșirea unui neuron artificial la intrarea altuia.)

Rețelele neuronale artificiale (Artificial neural networks, ANN), numite de obicei pur și simplu rețele neuronale (neural networks, NN), sunt sisteme de calcul inspirate din rețelele neuronale biologice care constituie creierul animalelor.

Un ANN se bazează pe o colecție de unități sau noduri conectate numite neuroni artificiali, care modelează vag neuronii dintr-un creier biologic. Fiecare conexiune, la fel ca sinapsele dintr-un creier biologic, poate transmite un semnal altor neuroni. Un neuron artificial primește semnale, apoi le procesează și poate semnala neuronii conectați la el. „Semnalul” la o conexiune este un număr real, iar ieșirea fiecărui neuron este calculată de o funcție neliniară a sumei intrărilor sale. Conexiunile se numesc margini. Neuronii și marginile au de obicei o greutate care se ajustează pe măsură ce învățarea continuă. Greutatea crește sau scade puterea semnalului la o conexiune. Neuronii pot avea un prag astfel încât un semnal este trimis numai dacă semnalul agregat depășește acel prag.

De obicei, neuronii sunt agregați în straturi. Straturi diferite pot efectua transformări diferite asupra intrărilor lor. Semnalele călătoresc de la primul strat (stratul de intrare), la ultimul strat (stratul de ieșire), eventual după ce au traversat straturile de mai multe ori.

Instruire

Rețelele neuronale învață (sau sunt antrenate) prin procesarea exemplelor, fiecare dintre ele conține o „intrare” și un „rezultat” cunoscute, formând asocieri ponderate în funcție de probabilitate între cele două, care sunt stocate în structura de date a rețelei în sine. Antrenamentul unei rețele neuronale dintr-un exemplu dat este de obicei realizat prin determinarea diferenței dintre ieșirea procesată a rețelei (adesea o predicție) și o ieșire țintă. Această diferență este eroarea. Rețeaua își ajustează apoi asocierile ponderate conform unei reguli de învățare și folosind această valoare de eroare. Ajustările succesive vor face ca rețeaua neuronală să producă o ieșire care este din ce în ce mai similară cu ieșirea țintă. După un număr suficient de astfel de ajustări, antrenamentul poate fi încheiat pe baza anumitor criterii. Acest lucru este cunoscut sub numele de învățare supravegheată.

Astfel de sisteme „învață” să execute sarcini luând în considerare exemple, în general fără a fi programate cu reguli specifice sarcinii. De exemplu, în recunoașterea imaginilor, aceștia ar putea învăța să identifice imagini care conțin pisici analizând exemple de imagini care au fost etichetate manual ca „pisică” sau „fără pisică” și folosind rezultatele pentru a identifica pisicile în alte imagini. Ei fac acest lucru fără cunoștințe prealabile despre pisici, de exemplu, că au blană, cozi, mustăți și fețe asemănătoare pisicilor. În schimb, generează automat caracteristici de identificare din exemplele pe care le procesează.

(Include texte traduse și adaptate din Wikipedia de Nicolae Sfetcu)