Доклад по проекту «Нейронные сети».

Доклад

1 слайд

Здравствуйте уважаемые слушатели. Меня зовут Замальдинов Рафаэль. Тема моей работы «Нейронные сети, их типах и областях применения».

Я выбрал эту тему, потому что нейросети находятся на стыке передовых исследований по математике, биологии, информатике и физике и меняют на глазах наш мир.

2 слайд

Целью моего исследования было изучение существующих типов нейронных сетей и возможности их применения.

Для достижения цели я решил следующие задачи:

1.     изучил материал по данной теме;

2.     разобрался с понятием «Нейронная сеть»;

3.     узнал, что такое нейрон;

4.     узнал принцип работы нейронной сети;

5.     сравнил типы;

6.     рассмотрел особенности и применение.

7.     изучил применение нейронных сетей в оценке  и прогнозировании цен на жилую недвижимость.

Я считаю, что тема, выбранная мной очень актуальна, т.к. в настоящее время, по оценкам специалистов, ожидается значительный технологический рост в области проектирования нейронных сетей и нейрокомпьютеров. За последние годы уже открыто немало новых возможностей нейронных сетей, а работы в данной области становятся важным вкладом в промышленность, науку и технологии, имеют большое экономическое значение.

3 слайд

Идея нейронных сетей была позаимствована у природы, а точнее в качестве аналога использовалась нервная система животных и человека. Нервная система состоит из огромного количества элементов – нейронов.

Биологический нейрон является важнейшим элементом клеток нервной системы и строительным материалом мозга. Нейроны существуют в нескольких форма, в зависимости от их назначения и дислокации, но в целом они схожи по структуре.

На рисунке вы видите, что нейрон представляет собой очень сложную биологическую систему.

Каждый нейрон является устройством обработки информации, которое получает сигналы от других нейронов через специальную структуру ввода, состоящую из дендритов. Если совокупный входной сигнал превышает пороговый уровень, то клетка передает сигнал далее в аксон, а затем в структуру вывода сигнала, от которой он передается в другие нейроны. Сигналы передается с помощью электрических волн. В течение жизни у человека число нейронов не увеличивается, но растет число связей между ними, как результат обучения.

Органы чувств человека состоят из большого числа нейронов, соединенных между собой множеством связей. Орган чувств включает в себя рецепторы и проводящие пути. В рецепторах формируются электрохимические сигналы. Они кодируют различные виды сигналов в единый универсальный частотно-импульсный код.

4 слайд

На этом слайде показана структура искусственного нейрона. У каждого нейрона есть входы, через которые он принимает сигнал. Поступившие на входы сигналы умножаются на свои веса. На слайде веса изображены кружками. Сигнал первого входа ​x1​ умножается на соответствующий этому входу вес ​w1​. В итоге получаем ​x1*w1​. И так до ​n​-ого входа. В итоге на последнем входе получаем ​xn*wn​.

Теперь все произведения передаются в сумматор. Он суммирует все входные сигналы, умноженные на соответствующие веса.

Место соединения выхода одного нейрона и входа другого называется синапсом, при этом сигнал при прохождении через синапс либо усиливается, либо ослабляется.

Получается, что на результат влияют не нейроны, а именно синапсы, дающие определённую совокупность веса входных данных, так как сами нейроны каждый раз выполняют совершенно одинаковые вычисления.

5 слайд

По структуре нейронные сети можно разделить на неполносвязные и полносвязные.

В полносвязных нейронных сетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.

Неполносвязные нейронные сети подразделяются на однослойные и многослойные, с прямыми, перекрестными и обратными связями. В нейронных сетях с прямыми связями нейроны j-ого слоя по входам могут соединяться только с нейронами i-ых слоев, где j > i , т.е. с нейронами нижележащих слоев. В нейронных сетях с перекресными связями допускаются связи внутри одного слоя, т.е. выше приведенное неравенство заменяется на j > = i . В нейронных сетях с обратными связями используются и связи j-ого слоя по входам с i-ым при j < i.

6 слайд

В однослойных нейронных сетях сигналы с входного слоя сразу подаются на выходной слой. Он производит необходимые вычисления, результаты которых сразу подаются на выходы.

На слайде входной слой обозначен кружками, а справа расположен слой обычных нейронов.

Нейроны соединены друг с другом стрелками. Над стрелками расположены веса соответствующих связей (весовые коэффициенты).

7 слайд

Многослойные нейронные сети – это сети, у которых  помимо входного и выходного слоев нейронов, имеют еще и скрытый слой (слои). Эти слои находятся между входным и выходным слоями.

Многослойные нейронные сети обладают гораздо большими возможностями, чем однослойные.

8 слайд

В однослойных и многослойных сетях сигнал идет строго от входного слоя к выходному.

Такие сети широко используются и вполне успешно решают определенный класс задач: прогнозирование, распознавание и т.д.

Однако никто не запрещает сигналу идти и в обратную сторону.

9 слайд

В сетях с обратными связями, которые по-другому еще называются рекуррентными, выходы нейронов могут возвращаться на входы. Это означает, что выход какого-нибудь нейрона определяется не только его весами и входным сигналом, но еще и предыдущими выходами (так как они снова вернулись на входы).

Возможность сигналов циркулировать в сети открывает новые, удивительные возможности нейронных сетей. С помощью таких сетей можно создавать нейросети, восстанавливающие или дополняющие сигналы. Другими словами, такие нейросети имеют свойства кратковременной памяти (как у человека).

10 слайд

Структура автоассоциативной сети содержит единственный слой нейронов. Количества входных и выходных переменных совпадают (M = K), а сами переменные должны соответствовать друг другу по физическому смыслу и представляют собой бинарные признаки образов, хранимых в памяти сети. Значения входов и выходов: +1 или –1. Сигналы выходных нейронов направляются по обратным связям ко всем остальным нейронам, поэтому данную сеть можно считать полносвязной.

11 слайд

Одна из характерных особенностей человеческой памяти – возможность ассоциации каких-либо объектов (образов) с другими, непохожими на них или даже с образами-антагонистами. Так, например, в первом случае понятие «зима» ассоциируется с понятием «холод», «праздник» – с «подарком». В случае противоположностей мозгом легко выстраиваются пары: «черный» – «белый», «большой» – «маленький».

На имитацию этой особенности человеческой памяти ориентированы гетероассоциативные нейронные сети. В структуре этой сети два слоя нейронов. Количество нейронов первого слоя K равно количеству бинарных выходных переменных.

12 слайд

Давайте рассмотрим один искусственный нейрон. Его задача – решить, купить или не купить дом. Для этого на его входы мы подаем различные данные. Пусть у нашего нейрона будет 4 входа:

1.     Стоимость дома

2.     Состояние дома

3.     Состояние двора

4.     Надежность застройщика

Все эти параметры будем характеризовать 0 или 1. Соответственно, если состояние дома хорошее, то на этот вход подаем 1. И так со всеми остальными параметрами.

Если у нейрона есть четыре входа, то должно быть и четыре весовых коэффициента. В нашем примере весовые коэффициенты можно представить как показатели важности каждого входа, влияющие на общее решение нейрона. Веса входов распределим следующим образом: 5,4,1,1.

Нетрудно заметить, что очень большую роль играют факторы стоимости и состояния дома (первые два входа). Они же и будут играть решающую роль при принятии нейроном решения.

Пусть на входы нашего нейрона мы подаем следующие сигналы: 1,0,0,1. Умножаем веса входов на сигналы соответствующих входов.

Взвешенная сумма для такого набора входных сигналов равна 6.

Просто так подавать взвешенную сумму на выход достаточно бессмысленно. Нейрон должен как-то обработать ее и сформировать адекватный выходной сигнал. Именно для этих целей и используют функцию активации.

Она преобразует взвешенную сумму в какое-то число, которое и является выходом нейрона (выход нейрона обозначим переменной ​out​).

Для разных типов искусственных нейронов используют самые разные функции активации. В общем случае их обозначают символом ​ϕ(net)​. Указание взвешенного сигнала в скобках означает, что функция активации принимает взвешенную сумму как параметр.

Выход нейрона может быть равен только 0 или 1. Если взвешенная сумма больше либо равна определенному порогу ​b​, то выход нейрона равен 1 т.е. мы принимаем положительное решение. Если ниже, то 0 т.е. мы принимаем отрицательное  решение.

Предположим, что мы купим дом только тогда, когда взвешенная сумма больше или равна 5. Значит наш порог равен 5: b=5.

В нашем примере взвешенная сумма равнялась 6, а значит выходной сигнал нашего нейрона равен 1. Итак, мы покупаем дом.

13 слайд

Однако если бы состояние дома было бы плохим, а также сам дом был бы очень дорогим, но состояние двора и надежность застройщика были на высоте (входы: 0011), то взвешенная сумма равнялась бы 2, а значит выход нейрона равнялся бы 0. И  мы не купили бы дом.

В общем, нейрон смотрит на взвешенную сумму и если она получается больше его порога, то нейрон выдает выходной сигнал, равный 1.

14 слайд

Графически функцию активации можно изобразить как показано на слайде.

На горизонтальной оси расположены величины взвешенной суммы. На вертикальной оси — значения выходного сигнала. Возможны только два значения выходного сигнала: 0 или 1. Причем 0 будет выдаваться всегда от минус бесконечности и вплоть до некоторого значения взвешенной суммы, называемого порогом. Если взвешенная сумма равна порогу или больше него, то функция выдает 1.

15 слайд

К сожалению, задачи, в которых известен точный вид зависимости, на практике встречаются крайне редко. Рассмотрим, например, задачу оценки стоимости квартиры. Зная общую и жилую площадь квартиры, число комнат, район, удаленность от метро, тип дома и другие параметры, можно (имея некоторый опыт) вычислить ее примерную стоимость. Именно на основе личного опыта человек мысленно конструирует функцию зависимости цены от нескольких параметров, а затем вычисляет значение этой функции (на наборе показателей данной квартиры).

Говоря на языке нейросетей, для решения этой задачи нужно сделать следующее. Обозначить параметры квартиры в виде переменных (x1, x2, ..., xn) и выбрать шкалы измерений. Например, район расположения квартиры можно характеризовать числом от 0 до 100, которое будет означать степень его престижности. На основе нескольких десятков примеров совершенных сделок по продаже квартир построить функцию F(x1, x2, ..., xn), которая даст значение, близкое к реальной стоимости квартиры в каждой сделке. Конечно, эта функция должна быть вычислимой для любой квартиры, причем цены похожих по всем параметрам квартир должны быть близкими.

Теперь, определив параметры любой квартиры, мы можем подставить их в формулу, считая полученное число оценкой стоимости квартиры. Если расхождение с истинной стоимостью окажется слишком велико, это будет означать, что рассмотренные нами ранее примеры сделок недостаточно полно характеризуют цену квартиры — либо есть какие-то важные, не учтенные нами параметры (например, шумность улицы), либо мы рассмотрели недостаточное число сделок.

Это очень обобщенная модель, но, всё-таки, она даёт представление об общей ситуации, складывающейся на рынке недвижимости.

16 слайд

Искусственные нейронные сети получили большое распространение при решении плохо формализованных задач.

Вместе с тем изучение большинства их возможностей находится в экспериментальной стадии.

ИНС (искусственная нейронная сеть) является вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Модели ИНС в некоторой степени воспроизводят "организационные" принципы, свойственные мозгу человека.

17 слайд

Я закончил свое выступление. Спасибо за внимание.