Вештачка неуронска мрежа

Вештачка неуронска мрежа је међусобно повезана групе чворова, попут огромне мреже неурона у мозгу. Овде сваки кружни чвор представља вештачки неурон, а стрелица представља везу од излаза једног вештачког неурона до улаза другог.

Вештачке неуронске мреже (енгл. artificial neural networks - ANN) или конективни системи су рачунарски системи који су донекле инспирисани биолошким неуронским мрежама од којих су сачињени животињски мозгови. Такви системи „уче” (и.е. прогресивно поправљају перформансу) задатке разматрајући примере, генерално без специфичног програмирања за дату примену. На пример, у рачунарском виду, они могу да науче да идентификују слике које садрже мачке путем анализирања примера слика које су биле мануелно обележене као „мачка” или „није мачка” и да затим користе те резултате за идентификацију мачака на другим сликама. Они то чине без било каквог ранијег знања о мачкама, е.г., да оне имају крзно, репове, бркове и мачија лица. Уместо тога, они еволуирају свој сопствени сет релевантних карактеристика из материјала за учење који они обраде.

Један АНН је базиран на колекцији повезаних јединица или чворова званих вештачки неурони (поједностављене верзије биолошких неурона у животињском мозгу). Свака веза (поједностављена верзија синапсе) између вештачких неурона може да трансмитује сигнал од једног до другог. Вештачки неурон који прими сигнал може да га обради и затим преда исход вештачким неуронима са којима је повезан.

У обичајеним АНН имплементацијама, сигнал на вези између вештачких неурона је реални број, и излас сваког вештачког неурона се израчунава користећи нелинеарну функцију суме улаза. Вештачки неурони и везе типично имају тежине које се подешавају током учења. Тежина појачава или умањује јачину сигнала на везама. Вештачки неурони могу да имају праг јачине тако да само ако агрегатни сигнал премаши тај праг сигнал бива послат. Типично, вештачки неурони су организовани у слојеве. Различити слојеви могу да изводе различите врсте трансформација на својим улазима. Сигнали путују од првог (улазног), до задњег (излазног) слоја, у неким случајевим пролазећи кроз слојеве више пута.

Оригинални циљ АНН приступа је било решавање проблема на исти начин на који би људски мозак то чинио. Међутим, током времена, пажња је усредсређена на специфичне задатке, што је довело до девијација од биологије. АНН системи су кориштени на разним задацима, укључујући рачунарски вид, препознавање говора, машинско превођење, филтрирање друштвених мрежа, играње игара на табли и видео игара и медицинску дијагностику.

Литература

• К., Бхадесхиа Х. D. Х. (1999). „Неурал Нетwоркс ин Материалс Сциенце” (ПДФ). ИСИЈ Интернатионал. 39 (10): 966—979. дои:10.2355/исијинтернатионал.39.966. Архивирано из оригинала (ПДФ) 19. 01. 2013. г. Приступљено 07. 05. 2018. 
• Бисхоп, Цхристопхер M. (1995). Неурал нетwоркс фор паттерн рецогнитион. Цларендон Пресс. ИСБН 9780198538493. ОЦЛЦ 33101074. 
• Цyбенко, Г.V. (2006). „Аппроxиматион бy Суперпоситионс оф а Сигмоидал фунцтион”. Ур.: ван Сцхуппен, Јан Х. Матхематицс оф Цонтрол, Сигналс, анд Сyстемс. Спрингер Интернатионал. стр. 303. |пп=303–314 ПДФ
• Деwднеy, А. К. (1997). Yес, wе хаве но неутронс : ан еyе-опенинг тоур тхроугх тхе тwистс анд турнс оф бад сциенце. Неw Yорк: Wилеy. ИСБН 9780471108061. ОЦЛЦ 35558945. 
• Дуда, Рицхард О.; Харт, Петер Еллиот; Сторк, Давид Г. (2001). Паттерн цлассифицатион (2 изд.). Wилеy. ИСБН 9780471056690. ОЦЛЦ 41347061. 
• Егмонт-Петерсен, M.; де Риддер, D.; Ханделс, Х. (2002). „Имаге процессинг wитх неурал нетwоркс – а ревиеw”. Паттерн Рецогнитион. 35 (10): 2279—2301. дои:10.1016/С0031-3203(01)00178-9. 
• Гурнеy, Кевин (1997). Ан интродуцтион то неурал нетwоркс. УЦЛ Пресс. ИСБН 9781857286731. ОЦЛЦ 37875698. 
• Хаyкин, Симон С. (1999). Неурал нетwоркс : а цомпрехенсиве фоундатион. Прентице Халл. ИСБН 9780132733502. ОЦЛЦ 38908586. 
• Фахлман, С.; Лебиере, C (1991). „Тхе Цасцаде-Цоррелатион Леарнинг Арцхитецтуре” (ПДФ). Архивирано из оригинала (ПДФ) 03. 05. 2013. г. Приступљено 07. 05. 2018.  цреатед фор Натионал Сциенце Фоундатион, Цонтрацт Нумбер ЕЕТ-8716324, анд Дефенсе Адванцед Ресеарцх Пројецтс Агенцy (ДОД), АРПА Ордер Но. 4976 ундер Цонтрацт Ф33615-87-C-1499.
• Хертз, Ј.; Палмер, Рицхард Г.; Крогх, Андерс С. (1991). Интродуцтион то тхе тхеорy оф неурал цомпутатион. Аддисон-Wеслеy. ИСБН 9780201515602. ОЦЛЦ 21522159. 
• Лаwренце, Јеанетте (1994). Интродуцтион то неурал нетwоркс : десигн, тхеорy анд апплицатионс. Цалифорниа Сциентифиц Софтwаре. ИСБН 9781883157005. ОЦЛЦ 32179420. 
• Информатион тхеорy, инференце, анд леарнинг алгоритхмс. Цамбридге Университy Пресс. 2003. ИСБН 9780521642989. ОЦЛЦ 52377690. 
• МацКаy, Давид, Ј.C. (2003). Информатион Тхеорy, Инференце, анд Леарнинг Алгоритхмс (ПДФ). Цамбридге Университy Пресс. ИСБН 9780521642989. 
• Мастерс, Тимотхy (1994). Сигнал анд имаге процессинг wитх неурал нетwоркс : а C++ соурцебоок. Ј. Wилеy. ИСБН 9780471049630. ОЦЛЦ 29877717. 
• Риплеy, Бриан D. (2007). Паттерн Рецогнитион анд Неурал Нетwоркс. Цамбридге Университy Пресс. ИСБН 978-0-521-71770-0. 
• Сиегелманн, Х.Т.; Сонтаг, Едуардо D. (1994). „Аналог цомпутатион виа неурал нетwоркс” (ПДФ). Тхеоретицал Цомпутер Сциенце. 131 (2): 331—360. дои:10.1016/0304-3975(94)90178-3. Архивирано из оригинала (ПДФ) 15. 02. 2017. г. Приступљено 07. 05. 2018. 
• Смитх, Мурраy (1993). Неурал нетwоркс фор статистицал моделинг. Ван Ностранд Реинхолд. ИСБН 9780442013103. ОЦЛЦ 27145760. 
• Wассерман, Пхилип D. (1993). Адванцед метходс ин неурал цомпутинг. Ван Ностранд Реинхолд. ИСБН 9780442004613. ОЦЛЦ 27429729. 
• Крусе, Рудолф,; Боргелт, Цхристиан; Клаwонн, Ф.; Моеwес, Цхристиан; Стеинбрецхер, Маттхиас; Хелд, Пасцал (2013). Цомпутатионал интеллигенце : а метходологицал интродуцтион. Спрингер. ИСБН 9781447150121. ОЦЛЦ 837524179. 
• Боргелт, Цхристиан (2003). Неуро-Фуззy-Сyстеме : вон ден Грундлаген кüнстлицхер Неуроналер Нетзе зур Копплунг мит Фуззy-Сyстемен. Виеwег. ИСБН 9783528252656. ОЦЛЦ 76538146. 

Спољашње везе

• A brief introduction to Neural Networks (PDF), illustrated 250p textbook covering the common kinds of neural networks (CC license).
• An Introduction to Deep Neural Networks.
• A Tutorial of Neural Network in Excel.
• МИТ цоурсе он Неурал Нетwоркс на сајту YouTube
• A Concise Introduction to Machine Learning with Artificial Neural Networks
• Neural Networks for Machine Learning - a course by Geoffrey Hinton
• Deep Learning