Nenadgledano učenje neuronskih mreža

Uvod:

Jedna od najuzbudljivijih oblasti razvoja informacionih tehnologija koja je našla primenu u praksi, nesumnjivo je razvoj veštačkih neuronskih mreža. U proteklim godinama, veštačke neuronske mreže su prešle put od istraživačkih laboratorija do primena u realnim situacijama. Od mnogih smatrane za najveći tehnološki napredak u protekloj deceniji, neuronske mreže pokazale su se nezamenljivim u situacijama gde je mogućnost identifikacije skrivenih veza i obrazaca ključna za uspešna predvidanja.

Neke veštačke neuronske mreže zaista predstavljaju modele bioloških, neke ne, ali istorijski, inspiracija za oblast neuronskog računanja došla je od želje za stvaranjem veštačkog sistema, sposobnog za obavljanje sofisticiranih, “inteligentnih” računanja, sličnih onima koje rutinski obavlja ljudski mozak.

Sličnost sa biološkim procesima obrade informacija, omogućiće mašinsko rešavanje problema koji zahtevaju “ljudski dodir”. To je moguće jer mreža prvo “uči” iz dostupnih istorijskih podataka (podataka o slučajevima koje je rešavao sam čovek), pa tek onda pristupa rešavanju problema.

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.