Neural Networks Tutorial

Nevrale nettverk er en enkel form for læring system som er vanlig i kunstig intelligens eksperimenter og prosjekter. Tidlig nevrale nettverk systemer begynte å bli tilgjengelig i slutten av 1980, som enkle programvaresystemer og hybridsystemer som kjørte på spesialisert maskinvare.

Historie

De innledende begrepene nevrale nettverk og nevrale computing utviklet i løpet av 1940-tallet. Ved 1950-tallet, en enkel to-lags nettverk viste seg det grunnleggende. imidlertid visse begrensninger - som manglende evne til å løse XOR problemer, en grunnleggende funksjon i digital databehandling - begrenset interesse for teknologien før sent på 1970-tallet og begynnelsen av 1980-tallet.

Natural Systems Simulering

Et nettverk simulerer aktiviteter av biologiske nevrale systemer. Om systemet er programvarebasert og kjører på en datamaskin eller en hardware og software system designet for læring, er den grunnleggende ideen om å lage et datasystem som etterligner de naturlige arbeidet i en hjerne. I motsetning til lineære systemer, hvor en inngang er påvirket, og en forutsigbar utgang er resultatet av beregningene er nevrale nettverk utformet for å skape prediksjon algoritmer basert på kjente gode innganger og utganger, og er dermed i stand til å lære fra tidligere erfaring.

Making Sense of Chaos

Nevrale nettverk fungerer ved å holde styr på kjente gode innganger. For eksempel kan nevrale nettverk designet for å forutsi retningen på aksjemarkedet har historiske hendelser inn som innganger og den resulterende stigning eller fall i markedet inn som resultat. Ved å skrive inn tusenvis av historiske hendelser og aksjemarkedet resultater, kan et nettverk begynne å prøve å forutsi stiger og faller basert på dagens innganger. Som nettverket samler mer data, kan det lære å gjøre mer nøyaktige anslag på markedet.

Fordeler

Nevrale nettverk kan utvikle algoritmer basert på kjente innganger og resultater, og kan til slutt lære å forutse hendelser med en høy grad av sikkerhet. Fordi nevrale nettverk er parallelle systemer, hvis en del av systemet svikter, andre deler fortsetter å fungere normalt. Fordi et nettverk er en naturlig læringssystem, en gang skapt, det vanligvis krever ingen programmering.

ulemper

En ulempe med et nettverk er at den trenger tid til å trene. Nettverket vil bare være så god som de første data og korrigerte treningsdata. Hvis nevralnettet gitt uriktige data og fortalte dataene er riktige, vil det gjelde at ugyldige data til fremtidige beslutninger og spådommer. Programvare-baserte nevrale nettverk kjøres på forskjellige arkitekturer enn de fleste vanlige datamaskiner. Derfor, med mindre en dedikert maskinvare og programvaresystem blir brukt, er komplekse translasjonssystemer som kreves for å omdanne nevrale data til et format som kan brukes av vanlige datasystemer.