о відзначити, що вся інформація, яку нейронна мережа має про задачу, міститься в наборі прикладів. Тому якість навчання нейронної мережі безпосередньо залежить від кількості прикладів у навчальній вибірці, а також від того, наскільки повно ці приклади описують дану задачу. p align="justify"> Так, наприклад, безглуздо використовувати нейронну мережу для передбачення фінансової кризи, якщо в навчальній вибірці криз не представлено. Вважається, що для повноцінного тренування нейронної мережі потрібно хоча б кілька десятків (а краще сотень) прикладів. Повторимо ще раз, що навчання нейронних мереж - складний і наукомісткий процес. Алгоритми навчання нейронних мереж мають різні параметри і настройки, для управління якими потрібно розуміння їх впливу. br/>В
Після того, як нейронна мережа навчена, ми можемо застосовувати її для вирішення корисних завдань. Найважливіша особливість людського мозку полягає в тому, що, одного разу навчившись певному процесу, він може вірно діяти і в тих ситуаціях, в яких він не бував в процесі навчання. Наприклад, ми можемо читати майже будь-який почерк, навіть якщо бачимо його вперше в житті. Так само і нейронна мережа, грамотним чином навчена, може з великою ймовірністю правильно реагувати на нові, не пред'явлені їй раніше дані. Наприклад, ми можемо намалювати букву "А" іншим почерком, а потім запропонувати нашій нейронної мережі класифікувати нове зображення. Ваги навченої нейронної мережі зберігають досить багато інформації про схожість і відмінності букв, тому можна розраховувати на правильну відповідь і для нового варіанту зображення. Приклади готових нейронних мереж
Описані вище процеси навчання і застосування нейронних мереж можна побачити в дії прямо зараз. Фірмою Ward Systems Group підготовлено кілька простих програм, які написані на основі бібліотеки NeuroWindows. Кожна з програм дозволяє користувачеві самостійно задати набір прикладів і навчити на цьому наборі певну нейронну мережу. Потім можна пропонувати цій нейронної мережі нові приклади і спостерігати її роботу. br/>
5. Області застосування нейронних мереж
біологічний нейронний імпульс мозок
Нейромережева класифікація Зазначимо, що завдання класифікації (типу розпізнавання букв) дуже погано алгорітмізуются. Якщо у випадку розпізнавання букв вірний відповідь очевидна для нас заздалегідь, то в складніших практичних завданнях навчена нейронна мережа виступає як експерт, що володіє великим досвідом і здатний дати відповідь на важке запитання. br/>В
Прикладом такого завдання служить медична діагностика, де нейронна мережа може враховувати велику кількість числових параметрів (енцефалограма, тиск, вагу і т.д.). Звичайно, "думка" нейронної мережі в цьому випадку не можна вважати остаточним. br/>В
Класифікація підприємств за ступенем їх перспективності - це...
