Medlem : Logon |Registrering |Upload viden
Søg
Kunstigt neuralt netværk [Ændring ]
Kunstige neurale netværk (ANNs) eller connectionist systemer er computersystemer inspireret af de biologiske neurale netværk, der udgør animalske hjerner. Sådanne systemer lærer (gradvist forbedrer ydeevnen) til at udføre opgaver ved at overveje eksempler, generelt uden opgave-specifik programmering. For eksempel kan de ved billedgenkendelse lære at identificere billeder, der indeholder katte, ved at analysere eksempelbilleder, der er blevet manuelt mærket som "kat" eller "ingen kat" og ved hjælp af resultaterne for at identificere katte i andre billeder. De har fundet mest brug i applikationer, der er vanskelige at udtrykke i en traditionel computeralgoritme ved hjælp af regelbaseret programmering.
En ANN er baseret på en samling af tilsluttede enheder eller noder kaldet kunstige neuroner (analoge med biologiske neuroner i en dyrhjerne). Hver forbindelse (synapse) mellem neuroner kan transmittere et signal fra den ene til den anden. Den modtagende (postsynaptiske) neuron kan behandle signalet (erne) og derefter signalere nedstrøms neuroner forbundet med den. I fælles ANN-implementeringer er synapsignalet et reelt tal, og udgangen af ​​hver neuron beregnes ved en ikke-lineær funktion af summen af ​​dens input. Neuroner og synaps kan også have en vægt, der varierer efterhånden som læring fortsætter, hvilket kan øge eller formindske styrken af ​​signalet, som det sender nedstrøms. Desuden kan de have en tærskel, således at kun hvis det samlede signal er under (eller over) det niveau er nedstrøms signalet sendt.
Typisk er neuroner organiseret i lag. Forskellige lag kan udføre forskellige former for transformationer på deres input. Signaler rejser fra den første (input) til det sidste (output) lag, muligvis efter at have krydset lagene flere gange.
Det oprindelige mål for den neurale netværks tilgang var at løse problemer på samme måde som en menneskelig hjerne ville. Over tid fokuserede opmærksomheden på at matche specifikke mentale evner, hvilket medførte afvigelser fra biologi, såsom tilbagekobling eller passere information i omvendt retning og justere netværket for at afspejle denne information.
Neurale netværk er blevet brugt på en række opgaver, herunder computersyn, talegenkendelse, maskinoversættelse, sociale netværk filtrering, spillekort og videospil og medicinsk diagnose.
[Maskinelæring][Birch][Maskinoversættelse]
1.Historie
1.1.Hebbisk læring
1.2.backpropagation
1.3.Hardware-baserede design
1.4.Konkurrencer
1.5.Konvolutionelle netværk
2.modeller
2.1.Komponenter af et kunstigt neuralt netværk
2.1.1.Neuroner
2.1.2.Tilslutninger og vægte
2.1.3.Forplantningsfunktion
2.1.4.Læreregel
2.2.Neurale netværk som funktioner
2.3.Læring
2.3.1.Valg af en omkostningsfunktion
2.3.2.Backpropagation 2
2.4.Læringsparadigmer
2.4.1.Overvåget læring
2.4.2.Unservervised learning
2.4.3.Forstærkning læring
2.4.4.Konvergent rekursiv læring algoritme
2.5.Læringsalgoritmer
3.Varianter
3.1.Gruppe metode til databehandling
3.2.Konvolutionelle neurale netværk
3.3.Lang korttidshukommelse
3.4.Deep reservoir computing
3.5.Deep belief netværk
3.6.Store hukommelsesopbevaring og hentning af neurale netværk
3.7.Stacked (de-noising) auto-encoders
3.8.Deep stacking netværk
3.9.Tensor dyb stabling netværk
3.10.Spike-and-slab RBMs
3.11.Sammensatte hierarkisk-dybe modeller
3.12.Deep predictive kodning netværk
3.13.Netværk med separate hukommelsesstrukturer
3.13.1.LSTM-relaterede differentierbare hukommelsesstrukturer
3.13.1.1.Neural Turing maskiner
3.13.2.Semantisk hashing
3.13.3.Memory netværk
3.13.4.Peger netværk
3.13.5.Encoder-dekoder netværk
4.Flerlags kernemaskine
5.Brug
6.Applikationer
6.1.Neuroscience
6.1.1.Typer af modeller
6.1.2.Netværk med hukommelse
7.Teoretiske egenskaber
7.1.Computational power
7.2.Kapacitet
7.3.konvergens
7.4.Generalisering og statistik
8.Kritik
8.1.Træningsproblemer
8.2.Teoretiske spørgsmål
8.3.Hardware problemer
8.4.Praktiske eksempler på kritik
8.5.Hybrid tilgange
9.typer
10.Galleri
[Upload Mere Indhold ]


Copyright @2018 Lxjkh