Εισαγωγή στα Νευρωνικά Δίκτυα

Τα Νευρωνικά Δίκτυα Αναπτύχθηκαν σε μια προσπάθεια δημιουργίας συστημάτων που προσομοιώνουν την λειτουργία του ανθρώπινου εγκεφάλου.

Ο ανθρώπινος εγκέφαλος Dendrites Neuron Dendrites Axon Neuron Nucleus Nucleus

Ο ανθρώπινος εγκέφαλος Έχει υπολογιστεί ότι αποτελείται από περίπου 100 δισ νευρώνια, εκατοντάδων διαφορετικών ειδών. Οργανωμένα σε δίκτυα.

Ο ανθρώπινος εγκέφαλος Με την πρόοδο των επιστημών μελέτης της λειτουργίας του ανθρώπινου εγκεφάλου, βελτιώνεται και η ποιότητα των συστημάτων τεχνητής νοημοσύνης.

Τα Νευρωνικά Δίκτυα Προσομοιάζουν την λειτουργία του ανθρώπινου εγκεφάλου… Ιδιαίτερα δημοφιλή μετά την δεκαετία του 1990. (Πριν ήταν σε δυσμένεια!!)

Οι έννοιες ενός Νευρωνικού Δικτύου Οι έννοιες ενός Νευρωνικού Δικτύου Δεδομένα Σταθμικά Βάρη Αποτελέσματα Νευρώνια (μονάδες Επεξεργασίας) Summation Function Transformation Function

Summation Function Δεδομένα Σταθμικά Βάρη (Wi) Χ1 Αποτελέσματα Χ2 Transformation Function Υ Χ3 Summation Function Y=X1*W1 + X2*W2 + X3*W3 +X4*W4 Χ4

Summation Function Y=X1. W1 + X2. W2 + X3. W3 +X4 Summation Function Y=X1*W1 + X2*W2 + X3*W3 +X4*W4 Transformation Function (π.χ.) if Y>0,5 then Y=1

Δομές Νευρωνικών Δικτύων Associative Memory Hidden Layer Double Layer

Associative Memory Input Output

Hidden Layer (3-5 επίπεδα σε εμπορικές εφαρμογές) Input Output

Double Layer Input Output

Σημαντικό Χαρακτηριστικό ενός Νευρωνικού Δικτύου είναι η δυνατότητα εκπαίδευσής του, δηλαδή η δυνατότητά του να μαθαίνει!!!

Εκπαίδευσή του, δηλαδή η δυνατότητά του να μαθαίνει Εκπαίδευσή του, δηλαδή η δυνατότητά του να μαθαίνει!!! …Που υλοποιείται με τον προσδιορισμό των σταθμικών βαρών έτσι ώστε το δίκτυο να συμπεριφέρεται όπως θα είναι αναμενόμενο να συμπεριφέρεται.

Φάσεις Ανάπτυξης ενός Νευρωνικού Δικτύου Ακολουθούνται οι φάσεις ανάπτυξης ενός Πληροφοριακού Συστήματος, όμως διαφέρει στις παρακάτω φάσεις.

Φ1. Συλλογή Δεδομένων. Φ2. Δημιουργία δεδομένων για την Φ1. Συλλογή Δεδομένων. Φ2. Δημιουργία δεδομένων για την Εκπαίδευση και Έλεγχο του δικτύου. Φ3. Καθορισμός της Δομής του δικτύου. Φ4. Επιλογή του αλγόριθμου Εκπαίδευσης του δικτύου (Learning Algorithm). Φ5. Αρχικός Καθορισμός Παραμέτρων και Βαρών. Φ6. Προετοιμασία Δεδομένων. Φ7. Έναρξη Εκπαίδευση του δικτύου. Φ8. Έλεγχος δικτύου. Φ9. Έτοιμο για Χρήση.

Από κάθε φάση επιστρέφουμε σε προηγούμενη εάν η πορεία ανάπτυξης δεν είναι ικανοποιητική.

Πως Μαθαίνει ένα Νευρωνικό Δίκτυο τη σχέση OR;

Ξέρουμε ότι ισχύουν τα παρακάτω Περίπτωση Χ1(input) Χ2 (input) Αποτέλεσμα 1 2 3 4

Ορίζουμε τη διαφορά Δ του αναμενόμενου αποτελέσματος Ζ και του Τρέχοντος Αποτελέσματος (Υ). Δ(ι) =Z(ι) –Y(ι) για κάθε σειρά αποτελεσμάτων

α=0.2 threshold=0.5 Wi(τελικό) = Wi(αρχικό) + α * Δ * Χi

Βήμα Χ1 Χ2 Ζ W1 αρχικό W2 Υ Δ W1 Τελικό Τελικό 1 0.1 0.3 0.5 2 0.7

Βήμα Χ1 Χ2 Ζ W1 αρχικό W2 Υ Δ W1 Τελικό Τελικό 3 0.5 0.7 1 4

Υπάρχουν πολλοί (πάνω από 100) αλγόριθμοι μάθησης

Τώρα είναι έτοιμο προς χρήση…

Η Ανάπτυξη μπορεί να γίνει με εργαλεία (όπως τα shells των έμπειρα συστημάτων) ή με τον προγραμματισμό τους από την αρχή.

Οφέλη από τα Νευρωνικά Δίκτυα Κατάλληλα όπου έχουμε δεδομένα με «θόρυβο». Δεν χρειάζονται κανόνες. Προσαρμόζονται (μαθαίνουν) από το περιβάλλον.

Χρήση των Νευρωνικών Δικτύων Ταξινομήσεις (speech recognition, visual recognition, character recognition). Χρηματοοικονομικά συστήματα (έγκριση δανείων, κλπ)

Περιοριστικοί Παράγοντες των Νευρωνικών Δικτύων Η εκπαίδευση μπορεί να είναι χρονοβόρα. Εφαρμογές με μεγάλες απαιτήσεις σε εκπαίδευση μπορεί τελικά να αποδειχθούν μη πρακτικές. Απαιτούν μεγάλες ποσότητες αριθμητικών δεδομένων.

Συγκρίνετε τα Έμπειρα Συστήματα με τα Νευρωνικά Δίκτυα!!