VISOKA POSLOVNA ŠKOLA STRUKOVNIH STUDIJA
BLACE
SEMINARSKI RAD
Predmet:
Veštačka inteligencija
Tema:
Nenadgledano učenje neuronskih
mreža
Profesor:
Student:
dr. Branislav Jevtović Dušan Jovanović 21/07III
Blace, 2010.
Šta su to neuronske mreže?
Postoje dve kategorije neuronskih mreža: veštačke i biološke
neuronske mreže. Predstavnik bioloških neuronskih mreža je nervni sistem
živih bića. Veštačke neuronske mreže su po strukturi, funkciji i obradi
informacija slične biološkim neuronskim mrežama, ali se radi o veštačkim
tvorevinama. Neuronska mreža u računarskim naukama predstavlja veoma
povezanu mrežu elemenata koji obrađuju podatke. One su sposobne da izađu
na kraj sa problemima koji se tradicionalnim pristupom teško rešavaju, kao
što su govor i prepoznavanje oblika. Jedna od važnijih osobina neuronskih
mreža je njihova sposobnost da uče na ograničenom skupu primera.
Neuronska mreža je sistem sastavljen od više jednostavnih procesora
(jedinica, neurona), svaki od njih ima lokalnu memoriju u kojoj pamti
podatke koje obrađuje. Te jedinice su povezane komunikacionim kanalima
(vezama). Podaci koji se ovim kanalima razmenjuju su obično numerički.
Jedinice obrađuju samo svoje lokalne podatke i ulaze koje primaju preko
konekcije. Ograničenja lokalnih operatora se mogu otkloniti tokom treninga.
Veliki broj NM su nastale kao modeli bioloških neuronskih mreža. Istorijski
gledano, inspiracija za razvoj NM proizilazi iz želje da se konstruiše
veštački sistem sposoban za prefinjeno, možda “inteligentno”, izračunavanje
na sličan način kao što to ljudski mozak rutinski izvodi. Potencijalno, NM
nam pružaju mogućnost za razumevanje rada ljudskog mozga.
Veštačke neuronske mreže su kolekcija matematičkih modela koji simuliraju
neke od posmatranih osobina bioloških nervnih sistema i povlače sličnosti sa
prilagodljivim biološkim učenjem. Sačinjene su od velikog broja međusobno
povezanih neurona (obrađujućih elemenata) koji su, slično biološkim
neuronima, povezani svojim vezama koje sadrže propusne (težinske)
koeficijente, koje su po ulozi slične sinapsama.
Učenje se kod bioloških sistema obavlja putem regulisanja sinaptičkih veza
koje povezuju aksone i dendrite neurona. Učenje tipičnih događaja putem
primera se ostvaruje preko treninga ili otkrića do tačnih setova podataka
ulaza-izlaza koji treniraju algoritam ponavljanjem podešavajući propusne
(težinske) koeficijente veza (sinapse). Ove veze memorišu znanje
neophodno
za
rešavanje
specifičnog
problema.
4
Većina NM ima neku vrstu pravila za “obučavanje”, čime se koeficijenti
veza između neurona podešavaju na osnovu ulaznih podataka. Drugim
rečima, NM “uče” preko primera (kao što deca uče da prepoznaju konkretan
predmet, objekat, proces ili pojavu preko odgovarajućih primera) i poseduju
sposobnost za generalizaciju posle trening podataka.
Veliki potencijal NM se nalazi u mogućnosti paralelne obrade podataka,
tokom izračunavanja komponenti koje su nezavisne jedne od drugih.
Neuronske mreže su sistemi sastavljeni od više jednostavnih elemenata
(neurona) koji obrađuju podatke paralelno. Funkcije koje su NM u stanju da
obrađuju određene su strukturom mreže, jačinom konekcije a obrada
podataka se izvodi u neuronima. Svaki elemenat operiše samo lokalnim
informacijama. Svaki elemenat radi asinhronizovano, kao da nema
sistemskog
sata.
Iako NM postoje od 1940-tih godina, one nisu imale značajniju praktičnu
primenu sve do 1980-tih, kada su algoritmi postali dovoljno prefinjeni za
opštu upotrebu (aplikacije). Danas se NM primenjuju za rešavanje sve većeg
broja svakodnevnih problema sa značajnom kompleksnošću. U
programiranju se mogu koristiti kao “generator” (engleski engine) koji je u
stanju da vrši različita prepoznanja i klasifikacije i koji ima sposobnost da
izvrši generalizaciju prilikom odlučivanja pri nepreciznim ulaznim
podacima. NM nude idealno rešenje za raznovrsno klasifikovanje problema,
kao što je prevođenje teksta u govor, prepoznavanje slova, rešavanje
problema za koje ne postoji algoritamsko rešenje. Pokazuju dobre rezultate
prilikom predviđanja i modelovanja sistema gde fizički procesi nisu jasni ili
su veoma kompleksni. Prednost NM leži u visokoj elastičnosti prema
poremećajima u ulaznim podacima i u sposobnosti da uči. NM često uspešno
rešava probleme koji su previše kompleksni za konvencionalne tehnologije
(na primer, problem koji nema algoritamsko rešenje ili za koji je algoritam
previše komplikovan da bi bio pronađen) i one su često dobra pratnja
problemima koje ljudi rešavaju.
5
