Что такое нейронные сети

из "Энциклопедия торговых стратегий "

Как было сказано выше, сети различаются по методу обучения. Разработчики системы играют роль учителя, снабжая сеть примерами для обучения. Некоторые сети обучаются под контролем , некоторые без контроля . Обучение под контролем имеет место, когда сеть обучают давать правильные ответы, показывая ей примеры правильных решений для каждого набора входов целью сети является обеспечение правильного выхода. Обучение без контроля состоит в том, что сеть организует введенные данные так, как считает нужным, на основе найденных в них внутренних закономерностей. Вне зависимости от формы обучения основная проблема состоит в поиске соответствующих данных и придании им формы учебных примеров, фактов, которые выделяют важные модели для эффективного и направленного обучения сети, во избежание формирования заблуждений. Предварительная подготовка данных — само по себе искусство. [c.253]
Собственно процесс обучения обычно включает некоторый механизм обновления удельных весов или важности разных связей между нейронами в ответ на подаваемые учебные примеры. При использовании в архитектуре прямых связей часто используют обратное распространение — наиболее быструю форму оптимизации. Также эффективны генетические алгоритмы, которые требуют большого количества расчетов и времени, но обычно дают лучшие окончательные результаты. [c.253]
При использовании технологии нейронных сетей двумерная плоскость или n-мерная гиперплоскость множественной линейной регрессии заменяется гладкой n-мерной изогнутой поверхностью с пиками и провалами, хребтами и оврагами. Например, нам требуется найти оптимальное решение для набора переменных, и задача будет сводиться к построению многомерной карты. В нейронной сети решение достигается при помощи нейронов — взаимосвязанных нелинейных элементов, связи которых сбалансированы так, чтобы подгонять поверхность подданные. Алгоритм обучения производит регулировку весов связей для получения максимально вписывающейся в исходные данные конфигурации поверхности. Как и в случае со стандартной множественной регрессией, где коэффициенты регрессии необходимы для определения наклона гиперповерхности, для нейронной модели требуются параметры (в виде весов связей), чтобы обеспечить наилучшее совпадение построенной поверхности, всех ее возвышений и впадин, с входными данными. [c.254]

Вернуться к основной статье