Відмінності між версіями «Стаття до проекту "Штучний інтелект" Жданова Ірина Ігорівна»

Матеріал з Вікі ЦДУ
Перейти до: навігація, пошук
(Опис проблеми)
 
(не показано 13 проміжних версій цього учасника)
Рядок 8: Рядок 8:
  
 
==Опис проблеми==
 
==Опис проблеми==
.....
+
ШТУЧНІ НЕЙРОННІ МЕРЕЖІ – ЦЕ МАТЕМАТИЧНА ПРОГРАМНА МОДЕЛЬ, ПОБУДОВАНА ЗА ПРИНЦИПОМ ФУНКЦІОНУВАННЯ БІОЛОГІЧНИХ НЕЙРОННИХ МЕРЕЖ — МЕРЕЖ НЕРВОВИХ КЛІТИН ЖИВОГО ОРГАНІЗМУ.
+
Що таке штучні нейронні мережі? Що вони можуть робити? Як вони працюють? Як їх можна використовувати? Ці і безліч подібних питань задають фахівці з різних областей.
  
Штучні нейронні мережі з’явилися на слуху зовсім нещодавно, а вже застосовуються майже не у всіх сферах життя людини: при розпізнаванні текстів і створенні контекстної реклами в інтернеті, в машинному перекладі та навіть на біржі і системах відеонагляду.
+
'''''Що ж таке нейроподібна мережа?'''''
  
''Історія нейронних мереж''
+
Це штучний аналог біологічної мережі, який за своїми параметрами максимально наближається до оригіналу.
  
З появою сучасної електроніки, почались перші спроби апаратного відтворення процесу мислення людини. Перший крок був зроблений у 1943 році з виходом статті нейрофізіолога Уоррена Маккалоха та математика Уолтера Піттса про роботу штучних нейронів і представлення моделі нейронної мережі на електричних схемах. Паралельно з прогресом в нейроанатомії і нейрофізіології психологами було створено моделі людського навчання. У 1950-ті — 1960-ті роки група дослідників, об’єднавши ці біологічні та психофізіологічні підходи, створила перші штучні нейронні мережі за керівництва Натаніеля Рочестера.
+
Нейроподібні мережі пройшли довгий шлях становлення і розвитку, від повного заперечення можливості їх застосування до втілення в багато сфер діяльності людини.
  
Перші успіхи викликали вибух активності й оптимізму. Мінскі, Розенблат, Відроу та інші вчені розробили мережі, що складалися з одного прошарку штучних нейронів, які назвали перцептронами. Ці мережі застосовували для розв’язання широкого класу задач: прогноз погоди, аналіз електрокардіограм, штучний зір. Протягом деякого часу здавалося, що ключ до інтелекту знайдено, і відтворення людського мозку є лише питанням конструювання досить великої мережі. Але ця ілюзія скоро розсіялася. Мережі не могли розв’язувати всі задачі, що підвласні людському вирішенню. З цих невдач почався період інтенсивного аналізу.
+
[[Файл:1.jpg|міні]]
  
У період з 1980-х років інтерес до штучних нейронних мереж швидко зріс. Фахівці з таких далеких областей, як технічне конструювання, філософія, фізіологія і психологія, були заінтриговані можливостями, що надає ця технологія, і проводили активний пошук застосування її всередині своїх дисциплін. В 2007 році Джефрі Хінтоном в університеті Торонто створені алгоритми глибокого навчання багатошарових нейронних мереж. Це ознаменувало початок активного застосування штучних нейронних мереж в різних сферах людської діяльності та дало поштовх розробкам технології штучного інтелекту.
+
Сучасні цифрові обчислювальні машини здатні з високою швидкодією і точністю вирішувати формалізовані завдання з цілком певними даними за заздалегідь відомими алгоритмами. Проте в тих випадках, коли завдання не піддається формалізації, а вхідні дані неповні, зашумлені або суперечливі, застосування традиційних комп’ютерів стає неефективним. Альтернативою їм стають спеціалізовані комп’ютери, що реалізовують нетрадиційні нейромережеві технології. Сильною стороною цих комплексів є нестандартний характер обробки інформації. Вона кодується і запам’ятовується не в окремих елементах пам’яті, а в розподілі зв’язків між нейронами і в їх силі, тому стан кожного окремого нейрона визначається станом багатьох інших нейронів, пов’язаних з ним. Отже, втрата одного або декількох зв’язків не робить істотного впливу на результат роботи системи в цілому, що забезпечує її високу надійність [76].
  
''Як влаштовані штучні нейронні мережі?''
+
Висока «природна» перешкодостійкість і функціональна надійність стосуються як спотворених (зашумлених) потоків інформації, так і в сенсі відмов окремих процесорних елементів. Цим забезпечуються висока оперативність і достовірність обробки інформації, а просте донавчання і перенавчання мереж дозволяють при зміні зовнішніх чинників своєчасно здійснювати перехід на новий рівень вирішуваних завдань.
  
Наш мозок не здатний швидко здійснювати великий об’єм математичних операцій. Навіть найпростіші апарати, типу калькулятора мають перевагу над людиною. Але, на відміну від комп’ютера, людина може швидко адаптуватися до нових умов. Наприклад, ми можемо розпізнавати мову співрозмовника, навіть якщо знаходимось в шумному приміщенні, або надзвичайно швидко впізнавати знайоме обличчя в натовпі. Комп’ютеру ж навпаки такі операції даються нелегко.
 
  
Наше мислення – результат роботи мережі нейронів в мозку. Нейрони передають одне одному хімічні сигнали за допомогою електричних імпульсів. Внаслідок такої активності з’являються наші відчуття та мислення. Штучний інтелект і когнітивне моделювання намагаються імітувати деякі властивості біологічних нейронних мереж. ШНМ є системою з’єднаних і взаємодіючих між собою простих процесорів (штучних нейронів). Такі процесори зазвичай досить прості (особливо в порівнянні з процесорами, використовуваними в персональних комп’ютерах). Кожен процесор подібної мережі має справу тільки з сигналами, які він періодично отримує, і сигналами, які він періодично посилає іншим процесорам. І, тим не менше, будучи з’єднаними в досить велику мережу з керованим взаємодією, такі окремо прості процесори разом здатні виконувати досить складні завдання.
 
  
Працює штучна нейронна мережа наступним чином: на входи нейронів надходять сигнали, які сумуються. При цьому враховується синаптична маса, тобто значимість кожного з входів. Далі, вхідні сигнали одних нейронів надходять на входи інших нейронів. Маса кожного такого зв’язку може бути позитивною( збуджуючі зв’язки ) або негативною( гальмівні зв’язки). Вони визначають обчислення нейронної мережі, а значить її пам’ять та поведінку. Принцип дуже схожий на роботу нашого власного процесору – мозку.
+
Наведені вище переваги нейромережевої обробки даних визначають '''сфери''' їх застосування:[[Файл:2.png|міні]]
  
Але для того, щоб штучна нейронна мережа виконувала складні завдання, її необхідно навчити.
+
– обробка і аналіз зображень;
  
''Навчання штучної нейронної мережі''
+
– розпізнавання мови незалежно від диктора;
  
Штучні нейронні мережі не програмуються в звичайному розумінні цього слова, вони навчаються. Можливість навчання — одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технічно, навчання полягає в знаходженні коефіцієнтів зв’язків між нейронами. В процесі навчання нейронна мережа здатна виявляти складні залежності між вхідними даними й вихідними, а також здійснювати узагальнення.
+
– обробка високошвидкісних цифрових потоків;
  
Для процесу навчання необхідно мати модель зовнішнього середовища, у якій функціонує нейронна мережа потрібну для вирішення задачі інформацію. По-друге, необхідно визначити, як модифікувати вагові параметри мережі.
+
автоматизована система швидкого пошуку інформації;
  
 +
– класифікація інформації в реальному масштабі часу;
  
 +
– планування, застосування сил і засобів у великих масштабах;
  
Існують три загальні парадигми навчання: “з вчителем”, “без вчителя” (самонавчання) та змішана. У першому випадку нейромережа має у своєму розпорядженні правильні відповіді (виходи мережі) на кожен вхідний приклад. Ваги налаштовуються так, щоб мережа виробляла відповіді найбільш 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.
+
– вирішення трудомістких задач оптимізації;
  
Найпоширеніші застосування нейронних мереж
+
– адаптивне управління і передбачення.
Розпізнавання образів та класифікація. В якості образів можуть виступати різні за своєю природою об’єкти: символи тексту, зображення, зразки звуків і т. д. При навчанні мережі пропонуються різні зразки образів із зазначенням того, до якого класу вони відносяться. Коли мережі пред’являється якийсь образ, на одному з її виходів повинна з’явитися ознака того, що образ належить цьому класу. У той же час на інших виходах повинна бути ознака того, що образ  до даного класу не належить.
+
Прийняття рішень та управління. Це завдання близьке до задачі класифікації. Класифікації підлягають ситуації, характеристики яких надходять на вхід нейронної мережі. На виході мережі повинна з’явитися ознака рішення, яке вона прийняла.
+
  
''Кластеризація.''
+
Основні положення теорії діяльності головного мозку і математична модель нейрона були розроблені '''У. Маккалоком і Ч. Піттсом''' в 1943 році і опубліковані в статті «Логічне обчислення ідей, що відносяться до нервової діяльності», яка була видана російською мовою в збірці «Автомати» тільки через 13 років. Згідно із запропонованою моделлю мозком є ансамбль нейронів, що мають однакову структуру. Кожен нейрон реалізує деяку функцію, названу пороговою, над вхідними значеннями. Якщо значення функції перевищує певну величину поріг (що характеризує сумарну значущість отриманої нейроном інформації), нейрон збуджується і формує вихідний сигнал для передачі його іншим нейронам. Пройшовши шлях від рецепторів (слухових, зорових і інших) через нейронні структури мозку до виконавчих органів, вхідна інформація перетвориться в набір керувальних дій адекватних ситуації [75].
Під кластеризацією розуміється розбиття множини вхідних сигналів на класи, при тому, що ні кількість, ні ознаки класів заздалегідь не відомі. Після навчання така мережа здатна визначати, до якого класу належить вхідний сигнал.
+
Прогнозування. Здібності нейронної мережі до прогнозування безпосередньо випливають з її здатності до узагальнення та виділення прихованих залежностей між вхідними та вихідними даними. Після навчання мережа здатна передбачити майбутнє значення якоїсь послідовності на основі декількох попередніх значень або якихось існуючих зараз чинників.
+
Стиснення даних і асоціативна пам’ять. Здатність нейромереж до виявлення взаємозв’язків між різними параметрами дає можливість висловити дані великої розмірності більш компактно, якщо дані тісно взаємопов’язані між собою. Зворотній процес відновлення вихідного набору даних з частини інформації – називається асоціативною пам’яттю.
+
Однак, не дивлячись на таке глибоке навчання штучних нейронних мереж, сказати що такий штучний інтелект дійсно мислить та самостійно приймає рішення – однозначно не можна. А тому, і не потрібно боятись того, що одного дня роботи зі штучним інтелектом вирішать знищити людство.
+
  
Але вже зараз зрозуміло, що в майбутньому штучні нейронні мережі стануть помічниками для людей, допомагаючи в медицині та сфері безпеки, автоматизуючи багато різних процесів заради досконалого консультування та надання дрібних послуг людям.
+
Окремі нейрони, з’єднуючись між собою, утворюють нову якість, яка, залежно від характеру міжнейронних з’єднань, має різні '''рівні біологічного моделювання:'''
 +
[[Файл:zhdanova4.jpg|міні]]
 +
 
 +
– група нейронів;
 +
 
 +
– нейронна мережа;
 +
 
 +
– нервова система;
 +
 
 +
– розумова діяльність;
 +
 
 +
– мозок.
 +
 
 +
Іншими словами, '''нейроподібна мережа''' — це паралельна зв’язна мережа простих адаптивних елементів, яка взаємодіє з об’єктами реального світу аналогічно біологічній нервовій системі [75]. З інженерної точки зору така мережа є динамічною системою, яка сильно розпаралелює, з топологією направленого графа, яка може виконувати переробку інформації за допомогою зміни свого стану у відповідь на постійний або імпульсний вхідний сигнал.
 +
 
 +
В наш час основними '''напрямами реалізації''' мереж є:
 +
 
 +
— програмна реалізація на цифрових ЕОМ традиційної архітектури;
 +
 
 +
— програмно-апаратна реалізація у вигляді співпроцесорів до ЕОМ загального призначення;
 +
 
 +
— апаратна реалізація шляхом створення нейрокомп’ютерів на базі нейроплат у вигляді паралельних нейроподібних структур.
 +
 
 +
Ранні варіанти реалізації нейронних мереж відносяться до перших двох із вказаних напрямів. Перший напрям характеризується універсальністю, дешевизною і низькою швидкістю навчання і функціонування нейронних мереж. Для другого напряму характерна висока швидкість моделювання функціонування мереж, але при цьому існують серйозні фізичні обмеження числа модельованих елементів і зв’язків між ними, а також можливостей навчання і донавчання. Із розвитком елементної бази ЕОМ став можливим самостійний розвиток третього напряму, який поклав початок індустрії нейрокомп’ютерів, що подають сукупність апаратних і програмних засобів для реалізації моделей нейронних мереж.
 +
 
 +
На сьогоднішній день відомо вже більше '''200''' різних парадигм нейронних мереж (не лише детермінованих, але і імовірнісних), десятки НПС реалізовані в спеціалізованих кристалах і платах, на їх основі створені потужні робочі станції і навіть суперкомп’ютери. Сучасні технології досягли того рубежу, коли стало можливим виготовлення технічної системи з 3.4 млрд. нейронів (саме така кількість їх в мозку людини). Проте їх з’єднання продовжує залишатися проблемою
 +
#ПЕРЕНАПРАВЛЕННЯ [[https://uk.wikipedia.org/wiki/%D0%A8%D1%82%D1%83%D1%87%D0%BD%D0%B0_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0_%D0%BC%D0%B5%D1%80%D0%B5%D0%B6%D0%B0]]
 +
#ПЕРЕНАПРАВЛЕННЯ [[http://www.poznavayka.org/uk/nauka-i-tehnika-2/neyronni-merezhi-yih-zastosuvannya-robota/]]
 +
#ПЕРЕНАПРАВЛЕННЯ [[https://futurum.today/shtuchni-neironni-merezhi-shcho-tse-take/]]
  
 
==Блог до проекту==
 
==Блог до проекту==
[https://www.blogger.com Blogger] або [http://WordPress.com WordPress]
+
https://shtuchnyiintelektzhdanova.blogspot.com/
  
 
==Мультимедійна презентація==
 
==Мультимедійна презентація==
[https://drive.google.com Google Диск]
+
https://docs.google.com/presentation/d/1FWsrcs-4a-cc8WIsaIPRmNHmAeo--zrjsGkvH-Q_P3E/edit?usp=sharing
  
 
==Календар подій проекту:==
 
==Календар подій проекту:==
Рядок 63: Рядок 85:
  
 
==Опитування до проекту==
 
==Опитування до проекту==
Google Форми (посилання на опитування)
+
https://docs.google.com/forms/d/e/1FAIpQLSfu34XPtO3bVkENgyzklu7b9uofS61oEFzEB5vb1LTcMwf2YA/viewform
  
 
==Фотоальбом до проекту==
 
==Фотоальбом до проекту==
[https://photos.google.com Google Фотознімки] (https://photos.google.com/album/AF1QipPoNldHgia_GdRezoFd33R99C0JYqqhPQxP_tiI)
+
https://photos.app.goo.gl/6p5K8GnyQEo7rbbf9
  
 
==Спілкування між учасниками проекту==
 
==Спілкування між учасниками проекту==
Рядок 86: Рядок 108:
  
 
===Відеоматеріали===
 
===Відеоматеріали===
#...
+
https://www.youtube.com/watch?v=sA2EVMd3KOU
#...
+
https://www.youtube.com/watch?v=9R_3auXbPaw
#...
+
https://www.youtube.com/watch?v=oMD8rdl-VD4
  
 
===Електронні ресурси===
 
===Електронні ресурси===

Поточна версія на 00:10, 14 травня 2019


Тема статті

Штучна нейронна мережа


Опис проблеми

Що таке штучні нейронні мережі? Що вони можуть робити? Як вони працюють? Як їх можна використовувати? Ці і безліч подібних питань задають фахівці з різних областей.

Що ж таке нейроподібна мережа?

Це штучний аналог біологічної мережі, який за своїми параметрами максимально наближається до оригіналу. 

Нейроподібні мережі пройшли довгий шлях становлення і розвитку, від повного заперечення можливості їх застосування до втілення в багато сфер діяльності людини.

1.jpg

Сучасні цифрові обчислювальні машини здатні з високою швидкодією і точністю вирішувати формалізовані завдання з цілком певними даними за заздалегідь відомими алгоритмами. Проте в тих випадках, коли завдання не піддається формалізації, а вхідні дані неповні, зашумлені або суперечливі, застосування традиційних комп’ютерів стає неефективним. Альтернативою їм стають спеціалізовані комп’ютери, що реалізовують нетрадиційні нейромережеві технології. Сильною стороною цих комплексів є нестандартний характер обробки інформації. Вона кодується і запам’ятовується не в окремих елементах пам’яті, а в розподілі зв’язків між нейронами і в їх силі, тому стан кожного окремого нейрона визначається станом багатьох інших нейронів, пов’язаних з ним. Отже, втрата одного або декількох зв’язків не робить істотного впливу на результат роботи системи в цілому, що забезпечує її високу надійність [76].

Висока «природна» перешкодостійкість і функціональна надійність стосуються як спотворених (зашумлених) потоків інформації, так і в сенсі відмов окремих процесорних елементів. Цим забезпечуються висока оперативність і достовірність обробки інформації, а просте донавчання і перенавчання мереж дозволяють при зміні зовнішніх чинників своєчасно здійснювати перехід на новий рівень вирішуваних завдань.


Наведені вище переваги нейромережевої обробки даних визначають сфери їх застосування:
2.png

– обробка і аналіз зображень;

– розпізнавання мови незалежно від диктора;

– обробка високошвидкісних цифрових потоків;

– автоматизована система швидкого пошуку інформації;

– класифікація інформації в реальному масштабі часу;

– планування, застосування сил і засобів у великих масштабах;

– вирішення трудомістких задач оптимізації;

– адаптивне управління і передбачення.

Основні положення теорії діяльності головного мозку і математична модель нейрона були розроблені У. Маккалоком і Ч. Піттсом в 1943 році і опубліковані в статті «Логічне обчислення ідей, що відносяться до нервової діяльності», яка була видана російською мовою в збірці «Автомати» тільки через 13 років. Згідно із запропонованою моделлю мозком є ансамбль нейронів, що мають однакову структуру. Кожен нейрон реалізує деяку функцію, названу пороговою, над вхідними значеннями. Якщо значення функції перевищує певну величину – поріг (що характеризує сумарну значущість отриманої нейроном інформації), нейрон збуджується і формує вихідний сигнал для передачі його іншим нейронам. Пройшовши шлях від рецепторів (слухових, зорових і інших) через нейронні структури мозку до виконавчих органів, вхідна інформація перетвориться в набір керувальних дій адекватних ситуації [75].

Окремі нейрони, з’єднуючись між собою, утворюють нову якість, яка, залежно від характеру міжнейронних з’єднань, має різні рівні біологічного моделювання:

Zhdanova4.jpg

– група нейронів;

– нейронна мережа;

– нервова система;

– розумова діяльність;

– мозок.

Іншими словами, нейроподібна мережа — це паралельна зв’язна мережа простих адаптивних елементів, яка взаємодіє з об’єктами реального світу аналогічно біологічній нервовій системі [75]. З інженерної точки зору така мережа є динамічною системою, яка сильно розпаралелює, з топологією направленого графа, яка може виконувати переробку інформації за допомогою зміни свого стану у відповідь на постійний або імпульсний вхідний сигнал.

В наш час основними напрямами реалізації мереж є:

— програмна реалізація на цифрових ЕОМ традиційної архітектури;

— програмно-апаратна реалізація у вигляді співпроцесорів до ЕОМ загального призначення;

— апаратна реалізація шляхом створення нейрокомп’ютерів на базі нейроплат у вигляді паралельних нейроподібних структур.

Ранні варіанти реалізації нейронних мереж відносяться до перших двох із вказаних напрямів. Перший напрям характеризується універсальністю, дешевизною і низькою швидкістю навчання і функціонування нейронних мереж. Для другого напряму характерна висока швидкість моделювання функціонування мереж, але при цьому існують серйозні фізичні обмеження числа модельованих елементів і зв’язків між ними, а також можливостей навчання і донавчання. Із розвитком елементної бази ЕОМ став можливим самостійний розвиток третього напряму, який поклав початок індустрії нейрокомп’ютерів, що подають сукупність апаратних і програмних засобів для реалізації моделей нейронних мереж.

На сьогоднішній день відомо вже більше 200 різних парадигм нейронних мереж (не лише детермінованих, але і імовірнісних), десятки НПС реалізовані в спеціалізованих кристалах і платах, на їх основі створені потужні робочі станції і навіть суперкомп’ютери. Сучасні технології досягли того рубежу, коли стало можливим виготовлення технічної системи з 3.4 млрд. нейронів (саме така кількість їх в мозку людини). Проте їх з’єднання продовжує залишатися проблемою

  1. ПЕРЕНАПРАВЛЕННЯ [[1]]
  2. ПЕРЕНАПРАВЛЕННЯ [[2]]
  3. ПЕРЕНАПРАВЛЕННЯ [[3]]

Блог до проекту

https://shtuchnyiintelektzhdanova.blogspot.com/

Мультимедійна презентація

https://docs.google.com/presentation/d/1FWsrcs-4a-cc8WIsaIPRmNHmAeo--zrjsGkvH-Q_P3E/edit?usp=sharing

Календар подій проекту:

Google Календар (https://calendar.google.com/calendar/r?tab=rc&pli=1&t=AKUaPmadYsnYuWUnVXdCteepoDNO9AWB60F1fT2I6-OHBo2TSuJN2Xp4NtRGbrglV-eLAmroHSMy84xY2hDp1R0smxFjP73Ouw%3D%3D)

Опитування до проекту

https://docs.google.com/forms/d/e/1FAIpQLSfu34XPtO3bVkENgyzklu7b9uofS61oEFzEB5vb1LTcMwf2YA/viewform

Фотоальбом до проекту

https://photos.app.goo.gl/6p5K8GnyQEo7rbbf9

Спілкування між учасниками проекту

  • Чат
  • Форум
  • Спільнота на базі соціальних мереж
  • Skype
  • Telegram
  • Viber
  • Wiki-сторінка
  • Сайт
  • .....

Інформаційні ресурси

Друковані джерела

  1. ...
  2. ...
  3. ...

Відеоматеріали

https://www.youtube.com/watch?v=sA2EVMd3KOU https://www.youtube.com/watch?v=9R_3auXbPaw https://www.youtube.com/watch?v=oMD8rdl-VD4

Електронні ресурси

  1. ...
  2. ...
  3. ...


Центральноукраїнський державний педагогічний університет імені Володимира Винниченка