Sztuczne Sieci Neuronowe: Podstawy

Sztuczne Sieci Neuronowe

• Sztuczne sieci neuronowe to modele matematyczne inspirowane strukturą i funkcjonowaniem ludzkiego mózgu, składające się z neuronów połączonych wagami modyfikowanymi podczas uczenia.
• Stosuje się je do zadań takich jak klasyfikacja, regresja, rozpoznawanie obrazów, analiza tekstu, rozpoznawanie mowy i tłumaczenie maszynowe w uczeniu nadzorowanym i nienadzorowanym.
• Model McCullocha-Pittsa posiada wiele wejść i jedno wyjście, gdzie każdemu wejściu przypisana jest liczba rzeczywista – waga wejścia.
• Wartość na wyjściu neuronu jest obliczana za pomocą wzoru: s = w₀ + ∑(xᵢ * wᵢ) od i=1 do n.

Uczenie Nadzorowane i Nienadzorowane

• Uczenie nadzorowane polega na uczeniu algorytmu na podstawie danych oznaczonych etykietami lub odpowiedziami.
• Algorytm uczy się na podstawie dostarczonych przykładów, z których każda próbka danych ma przypisaną etykietę.
• Przykłady zastosowań to klasyfikacja (np. rozpoznawanie obrazów) i regresja (np. przewidywanie cen nieruchomości).
• Uczenie nienadzorowane polega na uczeniu algorytmu na podstawie danych nieoznaczonych, bez przypisanych etykiet.
• Algorytm próbuje odkrywać wzorce i struktury w danych bez wcześniejszej wiedzy o oczekiwanych wynikach.
• Przykłady zastosowań to grupowanie (np. segmentacja klientów) i redukcja wymiarowości (np. analiza głównych składowych).
• Uczenie nadzorowane wymaga większej kontroli przez Operatora, natomiast uczenie nienadzorowane pozwala na większą autonomię algorytmu.
• Rozróżnia się zakres pracy oraz konieczność kontroli przez człowieka, ale mogą być stosowane równocześnie.

Sieci Jednokierunkowe i Sekwencyjne

• Informacja w sieciach jednokierunkowych przepływa tylko w jednym kierunku: od warstwy wejściowej, przez warstwy ukryte, do warstwy wyjściowej.
• Sieci jednokierunkowe nie mają pamięci o poprzednich stanach, więc każda wejściowa próbka jest przetwarzana niezależnie.
• Sieci jednokierunkowe stosuje się głównie do klasyfikacji i regresji, gdzie uwzględnianie sekwencji danych nie jest potrzebne..
• Przykładem sieci jednokierunkowej jest perceptron wielowarstwowy (MLP).
• W sieciach sekwencyjnych informacja może przepływać w obu kierunkach i posiadają one pamięć poprzednich stanów, co pozwala na przetwarzanie sekwencji danych i uwzględnianie kontekstu.
• Sieci sekwencyjne stosuje się w zadaniach, gdzie sekwencja danych ma znaczenie, np. analiza tekstu, rozpoznawanie mowy, tłumaczenie maszynowe.
• Przykładami są standardowe RNN, LSTM, GRU.
• Sieci jednokierunkowe są prostsze i używane, gdy każda próbka danych jest niezależna, podczas gdy sieci sekwencyjne są bardziej zaawansowane i używane tam, gdzie kontekst i sekwencja danych są istotne.

Algorytm Genetyczny

• Algorytmy genetyczne to techniki optymalizacyjne inspirowane procesami ewolucji biologicznej.
• Działanie algorytmu:
  • Inicjalizacja: Tworzenie populacji początkowej (chromosomów) losowo lub heurystycznie.
  • Selekcja: Wybór najlepszych rozwiązań na podstawie oceny (funkcji przystosowania).
  • Krzyżowanie: Łączenie wybranych rozwiązań (rekombinacja genetyczna).
  • Mutacja: Wprowadzanie losowych zmian do nowych rozwiązań (różnorodność genetyczna).
  • Ocena: Ocena nowych rozwiązań na podstawie funkcji przystosowania.
  • Inwersja: Zmiana kolejności genów w chromosomie.
  • Iteracja: Powtarzanie procesu selekcji, krzyżowania, mutacji i oceny, aż do uzyskania optymalnego rozwiązania.

Logika Rozmyta (Fuzzy Logic)

• Logika rozmyta to metoda matematyczna do analizy i przetwarzania informacji nieprecyzyjnych, niejasnych lub obarczonych niepewnością.
• Umożliwia korzystanie z wartości pośrednich w przedziale od 0 do 1, w przeciwieństwie do tradycyjnej logiki dwuwartościowej (prawda/fałsz).
• Logika rozmyta znajduje zastosowanie w modelowaniu zjawisk, gdzie precyzyjne określenie stanu rzeczy jest trudne lub niemożliwe (np. procesy decyzyjne).

Defuzyfikacja

• Defuzyfikacja to proces odwrotny do fuzyfikacji (pobudzania), przekształcający zbiór rozmyty na wartość ostrą, czyli precyzyjną liczbę.
• Jest to kluczowy etap w systemach logiki rozmytej, bazujący na funkcjach przynależności i metodzie defuzyfikacji do obliczenia wartości ostrej.
• Fuzyfikacja (fuzzification), zwana także pobudzaniem, to przekształcanie wartości wejściowych systemu na ich odpowiedniki w postaci wartości rozmytych, co pozwala na reprezentację stopnia przynależności do zbiorów rozmytych.
• Umożliwia to uwzględnianie niepewności, elastyczności i wieloznaczności danych w procesie podejmowania decyzji.

Baza Reguł

• Baza reguł to zasady w formacie „jeśli... to...”, opisujące zależności między zmiennymi wejściowymi a wyjściowymi w sposób rozmyty, np. „Jeśli temperatura jest wysoka, to prędkość wentylatora powinna wzrosnąć”.

Sieci Jednowarstwowe

• Definicja: Sieci jednowarstwowe(perceptrony) składają się z jednej warstwy neuronów, która przetwarza dane wejściowe i generuje wyjście.
• Zastosowanie: Stosowane są do prostych klasyfikacji, gdzie dane są liniowo separowalne. Przykładem jest klasyfikacja binarna, gdzie dane są podzielone na dwie klasy.

Sieci Wielowarstwowe

• Definicja: Sieci wielowarstwowe (MLP) składają się z co najmniej jednej warstwy ukrytej między warstwą wejściową a wyjściową. Każda warstwa ukryta zawiera neurony.
• Zastosowanie: Wykorzystywane są do bardziej złożonych zadań, takich jak rozpoznawanie obrazów, analiza tekstu i przetwarzanie sygnałów modelując nieliniowe zależności w danych.

Omówienie sztucznych sieci neuronowych, ich struktury i zastosowań. Wyjaśnienie modelu McCullocha-Pittsa oraz uczenia nadzorowanego i nienadzorowanego. Przykłady zastosowań w klasyfikacji i regresji.