В предыдущей статье мы рассмотрели основы теории обучения нейронных сетей. В данном материале углубимся в эту теорию дальше и поговорим о скорости обучения.
Как вы уже догадались, скорость обучения влияет на быстроту обучения вашей нейронной сети. Но это еще не все.
В предыдущей статье мы рассмотрели некоторые особенности процесса обучения нейронной сети. В этой статье мы рассмотрим теорию и практику обучения нейронных сетей и рассмотрим концепцию минимизации ошибки.
Целью обучения нейронной сети является предоставление данных, которые позволяют нейронной сети сходиться на надежных математических отношениях между входом и выходом. В предыдущей статье математическое соотношение было простым: если x-компонент точки в трехмерном пространстве меньше нуля, выходное значение равно нулю (что указывает, например, на то, что эта точка данных является «недействительной» и не требует дальнейшего анализа); если компонент x равен или больше нуля, вывод равен единице (что указывает на «действительную» точку данных).
В таких случаях, когда известны математические отношения, вы можете создавать обучающие данные в программе для работы с электронными таблицами. Можно использовать, например, Excel.
В предыдущей статье была представлена простая задача классификации, которую мы рассмотрели с точки зрения нейросетевой обработки сигналов. Математическое соотношение, необходимое для этой задачи, было настолько простым, что мы смогли спроектировать сеть, просто подумав о том, как определенный набор весов позволил бы выходному узлу правильно классифицировать входные данные. Вот такая у нас была сеть:
В предыдущей статье мы узнали, что нейронная сеть состоит из взаимосвязанных узлов, расположенных в слоях. Узлы на входном уровне распределяют данные, а узлы на других уровнях выполняют суммирование, а затем применяют функцию активации. Соединения между этими узлами являются взвешенными, это означает, что каждое соединение умножает переданные данные на скалярное значение.
Обратите внимание, что эта конфигурация называется однослойным персептроном. Да, у него есть два слоя (входной и выходной), но только один слой содержит вычислительные узлы. В этой статье мы рассмотрим функциональность персептрона, используя следующую нейронную сеть.
Нейронные сети являются инструментами обработки сигналов, которые в значительной степени основаны на структуре человеческого мозга. Они обычно связаны с таким понятием как искусственный интеллект (ИИ). Впрочем, термин «искусственный интеллект» неточный и сокращенный. Если вы определяете «интеллект» как способность быстро выполнять численные вычисления, то нейронные сети – это определенно ИИ. Но интеллект, возможно, гораздо больше – это такая вещь, которая проектирует систему, которая быстро выполняет численные вычисления, а затем пишет статью об этом, а потом обдумывает значение слова «интеллект», а затем задается вопросом, почему люди создают нейронные сети и пишут о них статьи.
Кроме того, искусственный интеллект не совсем искусственный. Это очень реальный разум, потому что это математическая система, которая работает в соответствии с интеллектом людей, которые его разработали.
В научной фантастике можно встретить роботов, которые готовят, стирают и воспитывают детей, вращаясь на колесиках. Хотя Alexa и Google Home не готовы вычистить вашу мебель, интерактивные домашние роботы становятся все более распространенными и интеллектуальными. Эти машины могут быть полезны, но они также могут создавать проблемы для их владельцев. Они записывают каждый момент, и это создает возможность для хакеров украсть вашу информацию. Эти роботы также могут стать оружием или шпионами.
Громкая новость недавно захватила крипто-сообщество штурмом: добыто 85% мировых биткоинов. Для начинающих криптоинвесторов слишком легко интерпретировать эти данные как плохие новости. Это звучит слишком похоже на то, что «конец Биткойна близок», и говорит о том, что компании, зависящие от популярной криптовалюты, должны действовать.
Биткойн (BTC) имеет ограниченное количество монет. В мире будет только 21 миллион биткойнов. Это ключевой фактор в ценности Биткойна и имеет решающее значение для понимания того, почему Биткойн может расти в цене.
Proof of Work (сокращенно PoW) означает "доказательство работы" и является одним из ключевых понятий для блокчейна. Смысл блокчейна заключается в максимально надежном хранении информации - однако децентрализация системы делает ее уязвимой. Например, когда некий участник сети пытается загрузить свою копию блокчейна, остальные не могут быть уверены в том, что именно эта копия является корректной. Войдя в сговор, сотни других пользователей могут, в теории, сфальсифицировать информацию и начать массово отправлять ее другому пользователю.