очікувати, що ці дані будуть узагальнені та мережа зможе розпізнавати ракурси об'єкта, які не використовувалися при навчанні.
Використання інваріантних ознак: Цей метод грунтується на припущенні, що з вхідного сигналу можна виділити інформативні ознаки, які описують саму істотну інформацію, що міститься в наборі даних, і при цьому інваріантні до трансформацій вхідного сигналу.
Штучний інтелект і нейронні мережі
Основним завданням штучного інтелекту є розробка парадигм або алгоритмів, що забезпечують комп'ютерне рішення когнітивних завдань, властивих людському мозку.
Системи штучного інтелекту повинні забезпечувати вирішення наступних трьох завдань: накопичення знань, застосування накопичених знань для вирішення проблеми і вилучення знань з досвіду. Системи штучного інтелекту реалізують трьох ключові функції:
Подання: Однією з відмінних рис систем штучного інтелекту є використання символьного мови для представлення спільних знань про предметну область і конкретних знань про способи вирішення завдання.
Міркування: Під міркуваннями зазвичай розуміється здатність вирішувати завдання. Для того щоб систему можна було назвати розумною, вона повинна описувати і вирішувати широкий спектр завдань, розуміти явну і неявну інформацію, мати механізм управління, що визначає операції, що виконуються для вирішення окремих завдань.
Навчання: У простій моделі машинного навчання інформацію для учня елемента надає сама середу. Навчаний елемент використовує отриману інформацію для модернізації бази знань, знання з якої функціональний елемент потім використовує для виконання поставленого завдання.
нейронний мережу штучний інтелект
Висновок
Символьні моделі штучного інтелекту - це формальні системи, засновані на використанні мови алгоритмів і поданні даних за принципом зверху вниз, а нейронні мережі - це паралельні розподілені процесори, що володіють природною здатністю до навчання і працюють за принципом знизу вгору. Тому при вирішенні когнітивних завдань доцільно створювати структуровані моделі на основі зв'язків або гібридні системи, що поєднують обидва підходи.
Це забезпечить поєднання властивостей адаптивності, робастності та однаковості, властивих нейронних мережах, з уявленнями, висновками і універсальністю систем штучного інтелекту.
Ці результати не тільки дозволяють інтегрувати нейронні мережі з інтелектуальними машинами, але й забезпечують вирішення завдань таких як: Верифікація нейромережевих компонентів у програмних системах, поліпшення узагальнюючої здатності нейронної мережі, а також визначення умов, при яких узагальнення неможливо , виявлення прихованих залежностей на безлічі вхідних даних, інтеграція символьного і коннекціоністского підходів при розробці інтелектуальних машин та забезпечення безпеки систем, для яких вона є.
Предметна область нейронних мереж лежить на перетині багатьох наук. Її коріння сягає нейробіологію, математику, статистику, фізику, науку про комп'ютери та інженерію. Це видно з різноманітності питань, розглянутих у цій книзі.
Здатність нейронних мереж навчатися на даних з допомогою вчителя або без такого забезпечує їх важлива властивість. Ця властивість навченості має важливе теоретичне і практичне застосування, що зробило їх неоціненним інструментом у таких різноманітних галузях застосування, як моделювання, аналіз часових рядів, розпізнавання образів, обробка сигналів і управління. (Саймон Хайкін Нейронні мережі Повний курс 2006)
