Sztuczne sieci neuronowe - wprowadzenie
Temat sztucznych sieci neuronowych jest niezwykle rozległy i właściwie wyewoluował w osobną gałąź wiedzy w dziedzinie sztucznej inteligencji. Jednocześnie doczekał się wielu wyczerpujących opracowań, których powielanie zdecydowanie nie jest celem tego artykułu. Chciałbym przede wszystkim zainteresować Ciebie Czytelniku tą tematyką...
W stosowanej terminologii pojęcia "sieci neuropodobne" oraz "(sztuczne) sieci neuronowe" są tożsame, mimo że ta ostatnia wersja jest przez niektórych uważana za nieprecyzyjną. Według jednego z największych polskich autorytetów w tej dziedznie - prof. Tadeusiewicza stosowanie pojęcia "neuropodobne" jest znacznie dokładniejszym określeniem - znaczy wzorowane na rzeczywistych sieciach neuronowych, ale nie aspirujące do tego, by je dokładnie naśladować.
Sieci neuropodobne, jako znacznie uproszczone modele fragmentów biologicznych systemów nerwowych, stanowią efektywne narzędzie do modelowania szeregu różnych rodzajów systemów (biologicznych,
technicznych, ekonomicznych, społecznych). Różnorodność problemów, które mogą być rozwiązywane z wykorzystaniem sztucznych sieci neuronowych jest naprawdę ogromna.
Niemal każdy problem da się przekształcić w taki sposób, by wyróżnić dobrze określone dane
wejściowe (przedstawione w formie wektora o strukturze i interpretacji zależnej od rozwiązywanego zadania) oraz podać oczekiwane rezultaty - również w formie wektora - zawierającego zestaw produkowanych przez sieć danych wyjściowych. Taka organizacja danych wystarcza do wykorzystania sieci wymagających uczenia nadzorowanego (o tym innym razem).
Stosowane są również sieci neuropodobne, które można "nauczyć" bez konieczności wykorzystywania informacji o oczekiwanych odpowiedziach (o tym też innym razem). Za przykłady mogą posłużyć sieć Hopfielda i sieć Kohonena. Przytoczyć można w tym miejscu zdanie wspomnianego wcześniej prof. Tadeusiewicza, że: ''kilka nieskomplikowanych przekształceń pozwala tak spojrzeć na problemy rozwiązywane przez te sieci, że także i w ich przypadku można mówić o pewnym neuropodobnym modelu, jako o obiekcie zainteresowania, i o modelowaniu neuronowym jako metodzie rozwiązywania formułowanych problemów''.
Oczywiście obszarem zastosowań sieci neuronowych, na którym chciałem się skupić jest ekploracja danych. Sieci neuropodobne mogą być wykorzystywane do realizacji całego spektrum zadań: od klasyfikacji i regresji począwszy, przez modelowanie opisowe, po wykrywanie anomalii i analizę szeregów czasowych.
Sceptycy argumentują, że sztuczne sieci neuronowe są słabo rozumiane tak jeśli chodzi o weryfikację poprawności ich działania, jak i sposobów w jaki dokonują one obliczeń. Niemniej korzyści wynikające z ich stosowania znacznie przewyższają wady.
Do zalet sieci neuropodobnych należy bez wątpienia zaliczyć ich ogromną wszechstronność. Ponieważ nie wymaga się w przypadku ich stosowania wyboru określonego modelu - nie istnieje dylemat czy w danym przypadku korzystniej skorzystać z modelu autoregresji, modelu ARMA czy wygładzania wykładniczego. Zamiast tego problem ''przerzucany'' jest na maszynę, która za nas wybierze swój własny model; i do tego najczęściej zrobi to całkiem dobrze. Bardzo cenną właściwością sieci neuronowych jest także możliwości radzenia sobie z zaszumionymi, niestandardowymi wzorcami, ze składowymi chaotycznymi o bardzo długim rozkładzie. W tej kwestii sieci neuronowe wykazują znaczną przewagę zwłaszcza nad metodami standardowymi. Szczególnie istotne okazuje się to w przypadku analizy sygnałów, ponieważ wiele ich rodzajów zawiera składowe chaotyczne.
Niebezpieczeństwo związane ze stosowaniem sieci neuronowych dotyczy nadmiernego dopasowania - przy znacznej liczbie stopni swobody, jak ma to miejsce w przypadku większości sieci, łatwo można dopasować zbiór uczący dokładnie przy miernym modelowaniu populacji generalnej.
Bibliografia:
- T. Masters. Sieci neuronowe w praktyce. Programowanie w jezyku C++.
Wydawnictwa Naukowo-Techniczne, 1996. - Encyklopedia fizyki współczesnej. http://aneksy.pwn.pl/encyklopedia_fizyki.