Page 39 - 4713

Здатність до навчання є фундаментальною властивістю мозку.
Процес навчання може розглядатися як визначення архітектури

мережі і налаштування ваг зв'язків для ефективного виконання
спеціальної задачі. Нейромережа налаштовує ваги зв'язків по наявній
навчальній множині. Властивість мережі навчатися на прикладах

робить їх більш привабливими в порівнянні із системами, які
функціонують згідно визначеній системі правил, сформульованої
експертами.

Для процесу навчання необхідно мати модель зовнішнього
середовища, у якій функціонує нейрона мережа - потрібну для
вирішення задачі інформацію. По-друге, необхідно визначити, як
модифікувати вагові параметри мережі. Алгоритм навчання означає

процедуру, в якій використовуються правила навчання для
налаштування ваг.
Існують три загальні парадигми навчання: "з вчителем", "без

вчителя" (самонавчання) і змішана. У першому випадку нейромережа
має у своєму розпорядженні правильні відповіді (виходи мережі) на
кожен вхідний приклад. Ваги налаштовуються так, щоб мережа
виробляла відповіді як можна більш близькі до відомих правильних

відповідей. Навчання без вчителя не вимагає знання правильних
відповідей на кожен приклад навчальної вибірки. У цьому випадку
розкривається внутрішня структура даних та кореляція між зразками

в навчальній множині, що дозволяє розподілити зразки по категоріях.
При змішаному навчанні частина ваг визначається за допомогою
навчання зі вчителем, у той час як інша визначається за допомогою

самонавчання.
Обґрунтованість застосування нейромереж
За допомогою нейромереж вирішують наступні задачі.

Класифікація образів. Завдання полягає у визначенні
приналежності вхідного образа (наприклад, мовного сигналу чи
рукописного символу), представленого вектором ознак, одному чи
декільком попередньо визначеним класам.

Кластеризація/категоризація. При рішенні задачі кластеризації,
що відома також як класифікація образів "без вчителя", навчальна
множина з визначеними класами відсутня. Алгоритм кластеризації

заснований на подобі образів і розміщує близькі образи в один
кластер.
Апроксимація функцій. Завдання апроксимації полягає в
знаходженні невідомої функції.

39