«Արհեստական նեյրոնային ցանց»–ի խմբագրումների տարբերություն

չ
clean up, replaced: ՈՒ → Ու (4), ) — → ), using AWB (7852)
չ (clean up, replaced: ՈՒ → Ու (4), ) — → ), using AWB (7852))
{{վատ թարգմանություն}}
[[Պատկեր:Neuralnetwork.png|thumb|Պարզ նեյրոնային ցանցի սխեմա:Կանաչ գույնով նշանակված են ''մուտքային'' նեյրոնները , երկնագույնով` ''թաքնված'' նեյրոնները, դեղինով`  ''ելքային'' նեյրոնը]]
 
'''Արհեստական նեյրոնային ցանցեր''' (ԱՆՑ), [[մաթեմատիկական մոդել|մաթեմատիկական մոդելներ]]ներ,ինչպես նաև նրանց ծրագրային կամ սարքային իրականացումներ, որոնք կառուցված են [[բիոլոգիական նեյրոնային ցանց|բիոլոգիական նեյրոնային ցանցերի]]երի — ցանցեր կենդանի օրգանիզմի [[նեյրոն|նեյրոնային բջիջներից]] կազակերպական կամ ֆունկցիայավորման սկզբունքով : Այդ հասկացությունը առաջացել է [[գլխուղեղ]]-ում առաջացող պրոցեսների ուսումնասիրման և այդ պրոցեսների [[Մոդելավորում|մոդելավորման ]] փորձերի արդյունքում : Այդպիսի առաջին [[Ուղեղի մոդել|փորձը]] [[Մակկալոկ, Ուորեն|Մակկալոկի]]և [[Պիթս, Ուոլտեր|Պիթսի]] նեյրոնային ցանցերն էին <ref name="Մակ-Կալլոկ">''Մակ-Կալլոկ ՈՒՈւ. Ս., Պիթս Վ.'',[http://neuro.net.ua/pub/mcculloch.html Գաղափարների տրամաբանական հաշվարկ, որոնք վերաբերում են նյարդային ակտիվությանը ] // «Սարքավորումներ» ժողովածու Կ. Է. Շեննոնի և Ջ. Մակկարտիի խմբագրությամբ: Արտասահմանյան գրականության խմբագրություն , 1956. — էջ.363-384. (Անգլիական հոդվածի թարգմանություն 1943 թ.)</ref>. Հետագայում, ուսուցողական ալգորիթմների մշակումից հետո , ստացված մոդելները սկսեցին կիրառել պրակտիկ նպատակներով ` [[Կանխատեսմանկանխատեսման խնդիրներ|կանխատեսման խնդիրներում]]ում, [[Կերպարների ճանաչում|կերպարների չանաչման]] համար, [[Ադապտիվ կառավարում|կառավարման]] խնդիրներում և այլն :
 
ԱՆՑ-ն իրենից ներկայացնում է փոխկապված և փոխհամագործակցող ([[արհեստական նեյրոն|արհեստական նեյրոնների]]ների) պարզ [[պրոցեսորների]] [[համակարգ|համակարգ]]:Այդպիսի պրոցեսորները սովորաբար բավականին պարզ են , հատկապես , համեմատած անձնական համակարգիչներում կիրառվող պրոցեսորների հետ : Նմանատիպ ցանցի յուրաքանչյուր պրոցեսոր գործ ունի միայն [[ազդանշանների]] հետ, որոնք պարբերականորեն ստանում է և ազդանշանների, որոնք պարբերաբար ուղարկում է այլ պրոցեսորների : Այնուամենայնիվ, այդպիսի լոկալ պարզ պրոցեսորները միասին ընդունակ են կատարելու բավականին բարդ խնդիրներ :
 
[[Մեքենայական ուսուցում|Մեքենայական ուսուցման]] տեսանկյունից նեյրոնային ցանցը իրենից ներկայացնում է [[Կերպարների ճանաչում (կիբեռնետիկա)| կերպարների ճանաչման]] , [[Դիսկրիմինանտ վերլություն|դիսկրիմինանտ վերլուծության]], [[Կլաստերիզացիա|կլաստերիզացիայի մեթոդի]] և նմանատիպ այլ մեթոդների մասնավոր դեպք: [[Մաթեմատիկա|մաթեմատիկականմաթեմատիկա]]կան տեսանկյունից , նեյրոնային ցանցերի ուսուցումը [[ոչ գծային օպտիմալացում|ոչ գծային]] [[Օպտիմիզացիա (մաթեմատիկա)|օպտիմալացման]] [[բազմապարամետրական խնդիր]] է: [[Կիբերնետիկա|կիբերնետիկայիկիբերնետիկա]]յի տեսանկյունից նեյրոնային ցանցը կիրառվում է [[Ադապտիվ կառավարում|ադապտիվ կառավարման]] խնդիրներում և որպես [[ալգորիթմներ]] [[Ռոբոտատեխնիկա|ռոբոտատեխնիկայի ռոբոտատեխնիկա]]յի համար: [[Հաշվողական տեխնիկա|Հաշվողական տեխնիկայի]]յի և [[ծրագրավորում|ծրագրավորման]] զարգացման տեսակյունից նեյրոնային ցանցը [[պարալելիզմի արդյունավետ կառավարում|արդյունավետ պարալելիզմի խնդիրների]] լուծման միջոց է : [[Արհեստական ինտելեկտ|Արհեստական ինտելեկտի]]ի տեսանկյունից ԱՆՑ-ն հանդիսանում է [[կոննեկտիվիզմի]] հոսքի [[փիլիսոփայություն|փիլիսոփայական]] հիմքը և [[կառուցվածքային մոտեցում|կառուցվածքային մոտեցման]] հիմնական ուղղությունը [[համակարգչային ալգորիթմ|համակարգչային]] [[ալգորիթմների]] միջոցով (մոդելավորում) [[ինտելեկտ|բնական ինտելեկտի]] կառուցման հնարավորթւյունների ուսումնասիրումը:
 
Նեյրոնային ցանցերը չեն [[ծրագրավորում|ծրագրավորվում]] բառից բուն իմաստով , դրանք '''[[ուսուցում|ուսուցանվում են]]'''. Ուսուցանելու հնարավորությունը նեյրոնային ցանցերի գլխավոր առանձնահատկություններից է ավանդական [[ալգորիթմների]] առջև: Տեխնիկապես ուսուցումը կայանում է նեյրոնների միջև կապերի գործակիցների առկայությամբ: Ուսուցման պրոցեսում նեյրոնային ցանցը ունակ է հայտնաբերել մուտքյին և ելքային տվյալների միջև բարդ կախվածություններ, ինչպես նաև կատարել [[ընդհանրացում]]: Դա նշանակում է , որ հաջող ուսուցման դեպքում ցանցը կարող է վերադարձնել ճիշտ արդյունք այն տվյալների հիման վրա, որոնք բացակայում էին ուսուցողական ընտրանքում , ինչպես նաև ոչ լիարժեք և/կամ «աղմկոտ», մասամբ աղավաղված տվյալների հիման վրա :
== Ժամանակագրություն ==
* [[1943 թ. գիտությունում |1943]] — [[Մակկալոկ , Ուոռեն| ՈՒՈւ. Մակկալոկը]] և [[Պիտս, ՈՒոլտերՈւոլտեր|ՈՒՈւ. Պիտսը]] ձևավորում են նեյրոնային ցանցի հասկացությունը նյարդային ակտիվության և գաղափարների տրամաբանական հաշվարկի վերաբերյալ հիմքային հոդվածում <ref name="Մակ-Կալլոկ"/>.
* [[1948 թ. գիտությունում|1948]] — [[Վիներ , Նորբերտ|Նորբերտ Վիներ]]ը գործընկերների հետ միասին հրատարակեցին կիբերնետիկայի մասին աշխատանքը : Հիմնական գաղափարը հանդիսանում է մաթեմատիկական մոդելների միջոցով բարդ բիոլոգիական պրոցեսների ներկայացումը :
* [[1949 թ. գիտությունում|1949]] — [[Խեբբ,Դոնալդ|Դ. Խեբբը]] առաջարկում է ուսուցման առաջին ալգորիթը :
* [[1958 թ. գիտությունում|1958]] [[Ռոզենբատտ, Ֆռենկ|Ֆ. Ռոզենբատտ]]ը ստեղծում է միաշերտ [[պերցեպտրոն]]: Պերցեպտրոնը ոընի որոշակի առանձնահատկություն ` այն կիրառում է կերպարների ճանաչման , եղանակի կանխատեսման և այլ խնդիրներում : Թվում էր, թե ամբողջական [[արհեստական ինտելեկտ|արհեստական ինտելեկտի]]ի կառուցումը այլևս սարերի ետևում չէ: Մակկալոկը և նրա հետնորդները դուրս եկան «Կիբերնետիկական ակումբից»:
* [[1960 թ. գիտությունում|1960 թ.-ին]] {{Translation|:en:Widrow |Ուիդրոուն}}Ուիդրոուն իր ուսանող Խոֆֆոմի հետ համատեղ [[Դելտա-կանոն|դելտա-կանոնիկանոն]]ի հիման վրա (''Ուիդրոուի բանաձևեր'') մշակեցին Ադալինը , որը անմիջապես սկսեց կիրառվել կանխատեսման և արդյունավետ կառավարման խնդիրներում : Ադալինը կառուցվել էր նրանց (Ուիդրոու — Խոֆֆոմ) իսկ կողմից արդեն ստեղծված սկուզբունքորեն նոր էլեմենտների բազայի հիման վրա` [[մեմիստոր]]ի հիման վրա <ref>[http://www-isl.stanford.edu/~widrow/papers/j1964patternrecognition.pdf Pattern Recognition and Adaptive Control. ''BERNARD WIDROW'']</ref>. Այժմ Ադալինը հանդիսանում է ազդանշանների մշակման բազմաթիվ համակարգերի ստանդարտ էլեմենտը : <ref>''Ուիդրոու Վ., Ստիրնս Ս.'',Ազդանշանների արդյունավետ կառավարում : Ռադիո և կապ, 1989. — 440 էջ</ref>
*[[1963 թ. գիտությունում|1963 թ.-ին]] АН СССР Ինֆորմացիայի փոխանցման խնդիրների ինստիտուտում Ա. Պ. Պետրովի կողմից կատարվում է պերցեպտրոնի համար «բարդ» խնդիրների մանրակրկիտ ուսումնասիրություն <ref>{{հոդված | հեղինակ = Պետրով Ա.Պ. | վերնագիր = Պերցեպտրոնի հնարավորությունների մասին| հրատարակություն = АН СССР հրատարակություն, Տեխնիկական կիբերնետիկա | թիվ = 1964 | համար = 6 }}</ref>. ԱՆՑ մոդելավորման ոլորտում այդ պիոներական աշխատանքը ԽՍՀՄ-ում ծառայեց որպես [[Բոնգարդ ,Միխաիլ Մոիսեևիչ | Մ. Մ. Բոնգարդի]] համար նոր գաղափարների կոմպլեքսի աղբյուր , որպես «պերցեպտրոնի ալգորիթմի փոքր համեմատական ձևափոխություն թերությունները ուղղելու համար <ref>{{գիրք|վերնագիր = Ճանաչողության խնդիրներ | բնօրինակ = |հեղինակ = Բոնգարդ Մ.Մ. |հղում = |isbn = |էջ = |թիվ = 1967 |հրատարակություն =|վայր = Մ. |հրատարակչություն = ֆիզմաթգիզ }}</ref> : Ա. Պետրովի և [[Բոնգարդ ,Միխաիլ Մոիսեևիչ | Մ. Մ. Բոնգարդի]] աշխատանքները նպաստեցին , որ ԽՍՀՄ-ում ԱՆՑ վերաբերյալ առաջին էյֆորիայի ալիքը հարթվի :
*[[1969 թ. գիտությունում|1969 թ.-ին]] [[Միսկի, Մարվին Լի|Մ. Մինսկին]] հրապարակում է պերցեպտրոնի սահմանափակության փաստերը և ցույց է տալիս , որ այն ունակ չէ լուծելու մի շարք խնդիրներ ([["Ազնվության" և "միայնակ բլոկում" խնդիրներ]])` կապված ներկայացումների այլաձևության հետ : Նեյրոնային ցանցերի նկատմամբ հետքրքրությունը կտրուկ ընկնում է :
*[[1973 թ. գիտությունում|1973 թ;-ին]] Վ. Վ. Խակիոմովը առաջարկում է սպլայների հիման վրա սինապսներով ոչ գծային մոդել և ներդնում է այն բժշկության,էկոլոգիայի, երկրաբանության խնդիրների լուծման համար : Խակիմով Վ. Վ.'' Սպլայներով կոռելյացիոն կախվածությունների մոդելավորում երկրաբանության և էկոլոգիայի օրինակներով . — Մ.: «ՄՊՀ»: «Նևա»,2003, 144 էջ.
* [[1974 թ. գիտությունում|1974]] — Պոլ Ջ. Վերբոսը <ref>''Werbos P. J.'', Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. thesis, Harvard University, Cambridge, MA, 1974.</ref> և Ա. Ի. Գալուշկինը<ref>''Գալուշկին Ա. Ի.'' Կերպարների ճանաչման բազմաշերտ համակարգի սինթեզ — Մ.: «Էներգիա», 1974.</ref> միաժամանակ ստեղծում են [[Սխալների հետադարձ տարածման մեթոդ|սխալների հետադարձ տարածման ալգորիթը]] [[բազմաշերտ պերցեպտրոն|բազմաշերտ պերցեպտրոնների]]ների ուսումնասիրման համար : Հայտնագործությունը առանձնապես ուշադրության չի արժանանում:
* [[1975 թ. գիտությունում|1975]] — ֆուկսիման իրենից ներկայացնում է [[Կոգնիտրոն]]` ինքնաձևավորվող ցանց ` նախատեսված այլընտրանքային [[Կերպարների ճանաչում|կերպարների ճանաչման]] համար , սակայն դա հասանելի է փաստացիորեն կերպարների բոլոր վիճակների հիշման պարագայում :
* [[1982 թ. գիտությունում|1982]] — մոռացության էտապից հետո նեյրոնային ցանցերի նկատմամբ հետքրքրությունը կրկին աճում է : [[Խոպֆիլդ, Ջոն|Ջ. Խոպֆիլդը]] ([[:en:John Joseph Hopfield]]) ցույց տվեց , որ հետադարձ կապերով նեյրոնային ցանցը կարող է իրենից ներկայացնել համակրգ, որը նվազեցնում է էներգիան (այսպես կոչված [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանց]]) : Կոխոնենի կողմից ներկայացված են անցերի մոդելներ , որոնք ուսուցանվում են առանց ուսուցչի ([[Կոխոնենի նեյրոնային ցանց]])և լուծում են [[Կլաստերիզացիա|կլաստերիզացիայիկլաստերիզացիա]]յի խնդիրներ,տվյալների վիզուալիզացիա ([[Կոխոնենի ինքնակազմակերպվող քարտ]])և տվյալների վերլուծության այլ խնդիրներ :
* [[1986 թ. գիտությունում|1986]] — [[Ռումելխարտ, Դեվիդ|Դովիդ Ի. Ռումելխարտի]], Ջ. Ե. Խինտոնի և Ռոնալդ Ջ. Վիլյամսի<ref name="Rumelhart">''Rumelhart D.E., Hinton G.E., Williams R.J.'', Learning Internal Representations by Error Propagation. In: Parallel Distributed Processing, vol. 1, pp. 318—362. Cambridge, MA, MIT Press. 1986. </ref> ևիրարից անկախ ու միաժամանակ Ս. Ի. Բարցևի և Վ. Ա. Օխոնինի կողմից (Կրասնոյարսկյան խումբ)<ref>''Բարցև Ս. Ի., Օխոնին Վ. Ա.'' Ինֆորմացիայի մշակման արդյունավետ ցանցեր. Կրասնոյարսկ : АН СССР, 1986. Препринт N 59Б. — 20 с.</ref> մշակվել և զարգացել է [[սխալների հետադարձ տարածման մեթոդը]]. Սկսվեց ուսուցանվող նեյրոնային ցանցերի նկատմամբ հետաքրքրությունը:
 
== Հայտնի կիրառություններ ==
 
=== Կերպարների ճանաչում և դասակարգում ===
 
=== Կլաստերիզացիա ===
 
Կլաստերիզացիայի ներքո հասկացվում է բազմաթիվ մուտքային ազդանշանների բաժանումը դասերի, ընդ որում այնպես, որ ոչ քանակը և ոչ էլ դասերի նախանշանները նախապես հայտնի չեն : Ուսումնասիրումից հետո նման ցանցը կարող է որոշել , թե որ դասին է պատկանում մուտքային ազդանշանը : Ցանցը կարո է ազդանշան տալ նաև այն մասին, որ մուտքային ազանշանը չի պատկանում առանձնացված դասերից և ոչ մեկին, ինչն էլ հանդիսանում է նոր, ուսուցանվող ընտրանքում բացակայող տվյալների նախանշանը : Այդ պարագայում, նման ցանցը ''կարող է առաջացնել նոր,նախկինում անհայտ ազդանշանների դասեր '' : Դասերի միջև դասերի և ցանցի կողմից առանձնացված, առարկայական տիրույթում գոյություն ունեցող համապատասխանությունը հաստատվւոմ է մարդու կողմից : Կլաստերիզացիան իրականացնում են օրինակ ՝ [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի նեյրոնային ցանցը]]ը:
 
Նեյրոնային ցանցերը Կոխոնենի պարզ տարբերակում չեն կարող մեծ լինել, այդ իսկ պատճառով էլ դրանք բաժանում են հիպերշերտերի (հիպերսյունակների) և միջուկի (միկրոսյուների):Եթե համեմատել մարդու ուղեղի հետ, ապա զուգահեռ շերտերի իդեալական քանակը չպետք է գերազանցի 112-ը: Այդ շերտերը իրենց հերթին կազմում են հիպերշերտեր (հիպերսյունակ), որոնցում առկա է 500 -ից 2000 միկրոսյունակ (միջուկ): Այդ պարագայում յուրաքանչյուր շերտ բաժանվում է բազմաթիվ հիպերսյունակների, որոնք ներտափանցում են շերտերի մեջ : Միկրոսյունակները կոդավորվում են թվերով և միավորներով ,որոնք ելքում որպես արդյունք են ստացվում : Եթե անհրաժեշտ է , ապա ավելորդ շերտերը կամ նեյրոնները հեռացվում են կամ ավելացվում: Նեյրոնների կամ շերտերի քանակի որոշման համար իդեալական է սուպերհամակարգիչների կիրառումը : Այդպիսի համակարգը թույլ է տալիս , որ նեյրոնային ցանցերը լինեն ճկուն :
 
Նեյրոնային ցանցերը կարող են ապրոկսիմացնել անընդհատ ֆունկցիաներ : Ապացուցված է ընդհանրացված [[ապրոկսիմացիա|ապրոկսիմացիոն]] [[թեորեմը]]<ref>''Գորբան Ա.Ն.'', [http://neuroschool.narod.ru/pub/sibzhvm98.pdf Ընդհանրացված ապրոկսիմացիոն թեորեմ և նեյրոնային ցանցերի հաշվողական հնարավորություններ], Հաշվողական մաթեմատիկայի սիբիրյան ամսագիր, 1998. Т.1, № 1. С. 12-24.</ref>: շնորհիվ գծային օպերցիաների և կասկադային կապերի ՝
կարելի է սկզբնական ոչ գծային էլեմենտներից ստանալ սարք, որը հաշվում է ցանկացած [[Անընդհատ պատկեր|անընդհատ ֆունկցիա]] սկզբնապես տրված որոշակի [[ճշտությամբ]]: Դա նշանակում է , որ նեյրոնի ոչ գծային բնութագիրը կարող է լինել կամայական ՝ [[սիգմոդիայինից]] մինչև կամայական փաթեթ կամ [[վեյվլետ]], [[սինուս (ֆունկցիա)|սինուսի]] կամ [[բազմանդամի]]: Ոչ գծային ֆունկցիայի ընտրությունից կարող է կախված լինել կոնկրետ ցանցի [[բարդությունը]] , սակայն ցանկացած ոչ գծայնությամբ ցանցը մնում է ունիվերսալ ապրոկսիմատոր և կառուցվածքի ճիշտ ընտրության դեպքում կարելի է հստակ ապրոկսիմացնել ցանցակացած նեյրոնային ապարատի ֆունկցիայավորումը :
 
=== Տվյալների սեղմում և ասոցիատիվ հիշողություն ===
* Ուսուցման արդյունավետության ստուգում;
* Պարամետրերի ուղղում,վերջնական ուսուցում;
* Ցանցի [[վերբալիզացիա (ծրագրավորում)|վերբալիզացիա]] <ref>''[[Միրկես, Եվգենի Մոյիսեևիչ|Միրկես Ե. Մ.]]'',[http://www.intuit.ru/department/expert/neuroinf/9/ Տրամաբանական թափանցիկ նեյրոնային ցանցեր և ակնհայտ տվյալների գիտելիքների ստեղծում ], գրքում : Նեյրոինֆորմատիկա / ''Ա. Ն. Գորբան, Վ. Լ. Դունին-Բորկովսկի, Ա. Ն. Կիրդին'' և այլոք — Նովոսիբիրսկ: Գիտություն. Սիբիրյան ընկերություն РАН, 1998. — 296 с ISBN 5-02-031410-2</ref> հետագա կիրառման նպատակով :
 
Արժե այս էտապներից որոշները մանրամասնորեն ուսումնասիրել :
=== Ուսուցման համար տվյալների հավաքագրում ===
Տվյալների հավաքագրումը ցանցի ուսուցման և մշակման համար հանդիսանում է խնդրի լուծման ամենաբարդ փուլը :Տվյալների հավաքագրրումը պետք է բավարարի մի շարք չափանիշների .
* Ներկայացվածություն — տվյալները պետք է ցույց տան առարկայական տիրույթի իրերի և առարկաների իրական վիճակը ,
* Հակադրության բացակայություն — հակադրվող տվյալները ուսուցանվող ընտրանքում կարող են բերել ուսուցանվող ցանցի վատ որակի ,
 
Մուտքային տվյալները բերվում են այնպիսի տեսքի, որով դրանք կարելի է տալ ցանցի մուտքին : Տվյալների ֆայլում յուրաքանչյուր գրառում կոչվում է "ուսուցանվող զույգ" կամ "ուսուցանվող վեկտոր" : Ուսուցանվող վեկտորը պարունակում է ցանցի յուրաքանչյուր մուտքի մեկական արժեք և կախված ուսուցման տիպից (ուսուցչի հետ կամ առանց) մեկական արժեք ցանցի յուրաքանչյուր ելքի համար : Ցանցի ուսուցումը «հուքային» ընտրանքում, որպես կանոն, որակյալ արդյուքներ չի տալիս : Գոյություն ունեն ցանցի «ընկալման» բարելավման մի շարք հնարավորություններ .
* ''Նորմալացումը'' կատարվում է , երբ տարբեր մուտքերում հանդիպում են տարբեր չափողականության տվյալներ : Օրինակ, ցանցի առաջին մուտքին տրվում են 0-ից մինչև միավոր մեծության արժեքներ , իսկ երկրորդին ՝ 100-իc մինչև 1000: Երկրորդ մուտքում արժեքների նորմավորման բացակայության դեպքում ցանցի ելքի վրա մեծ ազդեցություն կունենա, քան արժեքը առաջին մուտքի դեպքում: Բոլոր մուտքային և ելքային տվյալների չափողականության նորմավորումը կատարվում է միասին,
* ''[[Քվանտավորում(ազդանշանների մշակում)|Քվանտավորումը]]'' կատարվում է անընդհատ մեծությունների նկատմամբ, որոնց համար առանձնացվում է դիսկրետ արժեքների հավաքածու : Օրինակ, քվանտավորումը կիրառվում է ձայնային ազդանշանների հաճախականության տրման ժամանակ ՝ բանավոր խոսքի ճանաչման համար ,
* ''[[Ֆիլտրացիան]]'' իրականացվում է «աղավաղված» տվյալների համար :
 
 
=== Ուսուցման պարամետրերի փորձագիտական ընտրություն ===
Կոնկրետ տրամաբանության ընտրությունից հետո անհրաժեշտ է ընտրել ուսուցանվող նեյրոնային ցանցի պարամետրերը : Այս էտապը առավելապես կարևոր է [[Ուսուցում ուսուցչի օգնությամբ|ուսուցչի օգնությամբ ուսուցանվող]] ցանցերի համար : Պարամետրերի ճիշտ ընտրությունից կախված է ոչ միայն այն, թե որքան արագ ցանցը ճիշտպատասխաններ կտա : Օրինակ, ցածր արագությամբ ուսուցման ընտրությունը կմեծացնի գեներացիայի ժամանակը , սակայն միևնույն ժամանակ թույլ կտա խուսափելու [[Նեյրոնային ցանցի անդամալուծություն|ցանցի անդամալուծությունից]]: Ուսուցման ժամանակի մեծացումը կարող է բերել ինչպես գեներացման ժամանակի մեծացմանը, այնպես էլնվազեցմանը ՝ կախված [[Սխալներիսխալների մակերես|սխալների մակերեսի]]ի ձևից : Ելնելով պարամետրերի նման հակազդեցությունից , կարելի է ենթադրել, որ նրանց արժեքները պետք է փորձագիտորեն ընտրել ՝ ղեկավարվելով ուսուցման պարամետրերով (օրինակ ՝ սխալների նվազեցում կամ ուսուցման ժամանակահատվածի կրճատում) :
 
=== Ցանցի փաստացի ուսուցում ===
Ուսուցման պրոցեսում ցանցը որոշակի հերթականությամբ ուսումնասիրում է ուսուցանվող ընտրանքը : Ուսումնասիրման հերթականությունը կարող է լինել հետևողական , պատահական և այլն : [[Առանց ուսուցչի ուսուցանվող|Առանց ուսուցչի ուսուցանվող]] որոշ ցանցեր ,օրինակ, [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանցերը]] դիտարկում են ընտրանքը մեկ անգամ : Այլոք, օրինակ՝ [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի ցանցը]],ինչպես նաև ցանցեր,որոնք ուսուցանվում են ուսուցչի միջոցով, ընտրանքը դիտարկում են բազմաթիվ անգամներ , և այդ դեպքում ընտրանքով մեկ ամբողջական անցումը կոչվում է "ուսուցման դարաշրջան" : Ուսուցչի օգնությամբ ուսուցման ժամանակ մուտքայինտվյալների հավաքածուն բաժանվումէ երկու մասի ՝ փաստացի ուսուցանվող ընտրանք և թեսթային տվյալներ , իսկ բաժանման սկզբունքը կարող է լինել կամայական : Ուսուցանվող տվյալները տրվում են ցանցին ուսուցման համար , իսկ ստուգողները օգտագործվում են ցանցի սխալների հաշվարկման համար (ստուգող տվյալները երբեք ցանցի ուսուցման համար չեն կիրառվում) : Այդ պարագայում, եթե ստուգող տվյալների միջոցով սխալները նվազեցվում են, ապա իսկապես կատարվում է ընդհանրացում : Եթե սխալը ուսուցանվող տվյալներում շարունակում է նվազել, իսկ թեսթային տվյալներում ավելանալ, դա նշանակում է , որ ցանցը դադարել է ընդհանրացում կատարել և ուղղակի «հիշում է » ուսուցանվող տվյալները : Այդ հայտնությունը կոչվում է ցանցի վերաուսուցում կամ [[օվերֆիտտինգ]] : Նման դեպքերում սովորաբարուսուցումը ընդհատում են: Ուսուցման պրոցեսում կարող են ի հայտ գալ նաև այլ խնդիրներ, ինչպիսիք են [[նեյրոնային ցանցի անդամալուծում|անդամալուծությունը]] կամ ցանցի հայտնվելը լոկալ սխալների մակերևույթ : Հնարավոր չէ նախապես գուշակել այս կամ այն խնդրի առաջացումը և տալ դրանց լուծման ցուցումներ :
 
=== Ուսուցման համարժեքության ստուգում ===
 
== Դասակարգում ըստ կապերի բնութագրերի ==
 
=== Ուղիղ տարածման ցանցեր (Feedforward) ===
Բոլոր կապերը խստորեն ուղղված են մուտքային նեյրոններից ելքայիններին : Նմնանատիպ ցանցերի օրինակներ են հանդիսանում [[Պերցեպտրոն|Ռոզենբլատի պերցեպտրոնը]], [[բազմաշերտ պերցեպտրոնը]], [[Վորդի նեյրոնային ցանց|Վորդի ցանցը]] :
=== Ռեկուրենտիվ նեյրոնային ցանցեր ===
 
Ելքային նեյրոնից կամ նեյրոններից ազդանշանը թաքնված շերտից մասնակիորեն փոխանցվում է ետ նեյրոնի մուտքային շերտին ([[ետադարձ կապ]]): Ռեկուրենտիվ [[Խոպֆիլդի նեյրոնային ցանց|Խոպֆիլդի ցանցը]] «ֆիլտրում է» մուտքային տվյալները, վերադառնալով կայուն վիճակի, և այդ կերպ թույլ է տալիս լուծել [[Տվյալների նեյրոցանցային սեղմում|տվյալների սեղմման]] և [[Ասոցիատիվ հիշողություն|ասոցիատիվ հիշողության]]կառուցման խնդիրներ <ref>[http://www.intuit.ru/department/expert/neuro/10/ INTUIT.ru — Ռեկուրենտիվ ցանցերը ինչպես ասոցիատիվ հիշող սարքեր]</ref>: Ռեկուրենտիվ ցանցերի մասնավոր դեպք են հանդիսանում երկուղղվածության ցանցերը: Նման ցանցերում շերտերի միջև առկա են կապեր ինչպես մուտքային շերտից ելքայինին, այնպես էլ ընդհակառակը : Դասական օրինակ է հանդիսանում [[Կոսկոյի նեյրոնային ցանցը]]:
 
=== Ռադիկալ-բազիսային ֆունկցիաներ ===
 
3. Մուտքային և տաքնված շերտի կապերի սինապտիկական կշիռները հավասար են միավորի
 
 
Ուսուցման պրոցեսը նայել գրականությունում :
=== Ինքնակազմակերպվող քարտեզ ===
 
Նմանատիպ ցանցերը իրենցից ներկայացնում են [[ուսուցչի հետ ուսուցում|ուսուցչի հետ ուսուցանվող]] մրցակցային նեյրոնային ցանց,որը իրականացնում է վիզուալիզացիայի և [[կլաստերիզացիա|կլաստերիզացիայի]]յի խնդիր : Հանդիսանում է բազմաչափ տարածության նախագծման մեթոդ ավելի փոքր չափողականություն ունեցող տարածությունում (առավել հաճախ երկչափ) , կիրառվում է նաև մոդելավորման խնդիրներում, կանխատեսման խնդիրներում և այլն : Հանդիսանում է [[Կոխոնենի նեյրոնային ցանց|Կոխոնենի նեյրոնային ցանցի]]ի տեսակներից մեկը : <ref>Kohonen, T. (1989/1997/2001), Self-Organizing Maps, Berlin — New York: Springer-Verlag. First edition 1989, second edition 1997, third extended edition 2001, ISBN 0-387-51387-6, ISBN 3-540-67921-9</ref> Կոխոնենի ինքնաձևավորվող քարտեզները առաջին հերթին ծառայում են վիզուալիզացիայի և սկզբնական («բանական») [[Տվյալների ինտելեկտուալ վերլուծություն|տվյալների վերլուծության]] համար : <ref name="Зиновьев">{{գիրք
|հեղինակ = Зиновьев А. Ю.
|վերնագիր = Визуализация многомерных данных
# Պատահականորեն ընտրվում են տվյալների կետերը <math>x</math>.
# Որոշվում է <math>x</math> մոտակա քարտեզի հանգույցը (BMU — Best Matching Unit).
# Այդ հանգույցը տեղակայվում է տրված քայլում x -ի ուղղությամբ : Սակայն, այն միայնակ չի տեղակայվում, այլ իր հետ ներառում է որոշակի քանակության մոտակա հանգույցներ քարտեզի հարևանությամբ : Բոլոր տեղաշարժվող հանգույցներից առավել ուժեղ տեղափոխվում է կենտրոնական ՝ տվյալների կետին մոտ հանգույցը,իսկ մնացածները, որքն հեռու են BMU-ից , այնքան ավելի դանդաղ են տարհանվում : Քարտեզի կարգավորման ժամանակ առանձնացնում են 2 էտապներ ՝ կոպիտկարգավորման (fine-tuning) և ճշգրիտ կարգավորման (fine-tuning) փուլեր : Առաջին փուլում ընտրվում են շատ հարևան արժեքներ և հանգույցների տեղաշարժը կրում է կոլեկտիվ բնույթ: Արդյունքում քարտեզը « ուղղվում է » և կոպիտ կերպով արտապատկերում է տվյալների կառուցվածքը, իակ ճշգրիտ կարգավորման փուլում հարևանության շառավիղը 1-2 է և կարգավորվում են արդեն հանգույցների անհատական դիրքերը : Բացի այդ, տեղաշարժման մեծությունը ժամանակի ընթացքում համամասնորեն նվազում է , այսինքն ՝ ուսուցման առաջին փուլում ավելի մեծ է , իսկ ավարտին հասնելիս հավասարվում է զրոյի :
# Ալգորիթմը որոշակի ժամանակահատվածի ընթացքում կրկնվում է (իհարկե, մի շարք քայլեր, կարող են տարբեր լինել՝ կախված առաջադրանքից):
 
 
== Հավելվածների օրինակներ ==
 
=== Ֆինանսական ժամանակային շարքերի կանխատեսում ===
 
=== Հոգեդիագնոստիկա ===
 
Մ. Գ. Դոռեռի և իր համահեղինակների աշխատանքները նվիրված են նեյրոնային ցանցերի [[փորձագիտական համակարգ|փորձագիտական համակարգերի]]երի հոգեբանական [[ինտուիցիա|ինտուիցիայի]]յի զարգացման հնարավորությունների հարցերի քննարկմանը :<ref>''Gorban A.N., Rossiyev D.A., Dorrer M.G.'', [http://arxiv.org/ftp/q-bio/papers/0411/0411034.pdf MultiNeuron — Neural Networks Simulator For Medical, Physiological, and Psychological Applications], Wcnn’95, Washington, D.C.: World Congress on Neural Networks 1995 International Neural Network Society Annual Meeting : Renaissance Hotel, Washington, D.C., USA, July 17-21, 1995.</ref><ref>''Доррер М. Г.'', [http://psyfactor.org/lib/dorrer-0.htm Արհեստական նեյրոնային ցանցերի հոգեբանական ինտուիցիա], Դիսս. … 1998: Օնլայն այլ պատճեններ. [http://www.tnu.in.ua/study/books.php?do=file&id=1501], [http://lib.sibnet.ru/referat/6923]</ref> Ստացված արդյունքները հնարավորություն են տալիս բացահայտելու նեյրոնային ցանցերի ինտուիցիայի մեխանիզմը, որը նրանց կողմից ցուցաբերվում է հոգեվերլուծական խնդիրների լուծման ժամանակ : Համակարգչային մեթոդների կողքին ստեղծվել է ոչ ստանդարտ ՛՛ինտուիտիվ՛՛ մեթոդ :
 
=== Խեմոինֆորմատիկա ===
 
Նեյրոնային ցանցերը լայնորեն կիրառվում են քիմիական և բիոքիմիական հետազոտություններում <ref>''Բասկի Ի. Ի. , Պլյուկլին Վ. Ա. , Զեֆիրով Ն. Ս.,'' [http://www.chem.msu.su/rus/vmgu/995/323.pdf Արհեստական նեյրոնային ցանցերի կիրառումը քիմիական և բիոքիմիական հետազոտություններում,] Քիմիա 1999. Т.40. № 5.</ref> Ներկայումս նեյրոնային ցանցերը հանդիսանում են [[Խեմոինֆորմատիկա|խեմոինֆորմատիկայիխեմոինֆորմատիկա]]յի ամենատարծված մեթոդներից մեկը для [[Գույքային հարաբերությունների քանակական կապերի որոնում|գույքային հարաբերությունների քանակական կապերի որոնման]] համար<ref>{{հոդված | հողինակ = Гальберштам Н. М., Баскин И. И., Палюлин В. А., [[Зефиров, Николай Серафимович|Зефиров Н. С.]] | վերնագիր = Нейронные сети как метод поиска зависимостей структура – свойство органических соединений | հրատարակություն = Успехи химии | տարեթիվ = 2003 | ծավալ = 72 | համար = 7 | էջ = 706-727}}</ref><ref>{{статья | автор = Баскин И. И., Палюлин В. А., Зефиров Н. С. | заглавие = Многослойные персептроны в исследовании зависимостей սահամանափակ կապերի «գույքային հարաբերություններ» | հրատարակություն = Российский химический журнал (Журнал Российского химического общества им. Д.И.Менделеева) | տարեթիվ = 2006 | ծավալ = 50 | էջ = 86-96}}</ref>,որոնց շնորհիվ ակտիվորեն կիրառվում են որպես ֆիզիկա- քիմիական և բիոլոգիական ակտիվությունների կանխատեսման համար, ինչպես նաև նոր դեղորայքային պարագաների մշակման համար :
 
=== Նեյրոկառավարում ===
 
Նեյրոնային ցանցերը հաջող կերպով ընդունվում են [[Կարգավորիչ_Կարգավորիչ (կառավարման_տեսությունկառավարման տեսություն)|կառավարման համակարգերի]] սինթեզի համար դինամիկ օբյեկտներով <ref>{{գիրք |վերնագիր = Նեյրոկառավարում և նրա հավելվածները|բնօրինակ = Neuro-Control and its Applications |հեղինակ = Սիգերու Օմատու, արզուկի Խալիդ, Ռուբիա Յուսոֆ |հղում = |isbn = ISBN 5-93108-006-6 |էջ = 272 |տարեթիվ = 2000 |հրատարակություն = 2-րդ |վայր = Մ. |հրատարակչություն = [["Ռադիոտեխնիկա" ամսագրի հրատարակչական ընկերություն)|ՌԱՀԸ]]}}</ref><ref>''Ա. Ն. Չերնոդուբ, Դ. Ա. Ձյուբա'' [http://ailen.org/wp-content/uploads/2011/08/2011_NeuroControl_Survey.pdf Նեյրոկառավարման մեթոդների ներկայացում] // Ծրագրավորման խնդիրներ. — 2011. — No 2. — Էջ 79-94.</ref>: Նեյրոցանցերը օժտված են ունիկալ հատկությունների շարքով, որոնք դրանք ավելի հզոր գործիք են դարձնում ղեկավարման համակարգերի ստեղծման համար : Դրանք են ՝ օրինակների վրա ուսուցման հնարավորությունը և տվյալների ընդհանրացում , կառավարման օբյեկտի հատկություններին և արտաքին միջավայրի փոփոխություններին հարմարվելու ունակությունը , ոչ գծային կարգավորիչների սինթեզին հարմարվելու ունակություն, վնասված տարերրի բարձր դիմադրողականությունը իսկզբանե ներդրված է երկակի նեյրոցանցային կառուցվածքում :
 
== Հղումներ ==
 
== Գրականություն ==
* {{գիրք
|վերնագիր = Искусственные нейронные сети. Теория и практика
|բնօրինակ =
|հրատարակչություն = Горячая линия - Телеком
}}
* {{գիրք
|վերնագիր = Нейросетевые системы управления
|բնօրինակ =
|հրատարակչություն = [[Высшая школа (издательство)|Высшая школа]]
}}
* {{գիրք
|հեղինակ = Уоссермен, Ф.
|վերնագիր = Нейрокомпьютерная техника: Теория и практика
|isbn = 5-03-002115-9
}}
* {{գիրք
|վերանգիր = Нейронные сети: полный курс
|բնօրինակ = Neural Networks: A Comprehensive Foundation
|հրատարակչություն = [[Вильямс (издательство)|«Вильямс»]]
}}
* {{գիրք
|վերնագիր = Основные концепции нейронных сетей
|բնօրինակ = The Essence of Neural Networks First Edition
|հրատարակչություն = [[Вильямс (издательство)|«Вильямс»]]
}}
* {{գիրք
|վերնագիր = Введение в искусственный интеллект
|բնօրինակ =
|հրատարակչություն = [[Издательский центр "Академия"]]
}}
* {{գիրք
|վերնագիր = Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности
|բնօրինակ =
* ''[[Миркес, Евгений Моисеевич|Миркес Е. М.]]'', [http://pca.narod.ru/MirkesNeurocomputer.htm Нейрокомпьютер. Проект стандарта.] — Новосибирск: Наука, 1999. — 337 с. ISBN 5-02-031409-9 Другие копии онлайн: [http://neuroschool.narod.ru/books/mirkes/mirkes.html].
* [http://icm.krasn.ru/refextra.php?id=2795 Нейроинформатика. Новосибирск: Наука, 1998.]
* {{գիրք
|հեղինակ = Беркинблит М. Б.
|վերնագիր = Нейронные сети
|isbn = 5-7084-0026-9
}}
* {{գիրք
|հեղինակ = Хакимов Б.В.
|վերնագիր = Моделирование корреляционных зависимостей сплайнами на примерах в геологии и экологии
|isbn = 5-211-04588-2
}}
* {{գիրք
|հեղինակ = Еремин Д.М., Гарцеев И.Б.
|վերնագիր = Искусственные нейронные сети в интеллектуальных системах управления
}}
 
* {{գիրք
|վերնագիր = Нейроуправление и его приложения
|բնօրինակ = Neuro-Control and its Applications
51 977

edits