Обучение

Задачи регрессии. Многослойный персептрон.

Обучение нейронных сетей.

Основные понятия теории нейросетевого моделирования.

Лекция № 8.

2. Задачи классификации. Вероятностные нейросетевые модели.

На этапе обучения происходит вычисление синаптических коэф­фициентов в процессе решения нейронной сетью задач (классифика­ции, предсказания временных рядов и др.), в которых нужный ответ определяется не по правилам, а с помощью примеров, сгруппиро­ванных в обучающие множества. Такое множество состоит из ряда примеров с указанным для каждого из них значением выходного па­раметра, которое было бы желательно получить. Действия, которые при этом происходят, можно назвать контролируемым, обучением: «учитель» подает на вход сети вектор исходных данных, а на выход­ной узел сообщает желаемое значение результата вычислений. Кон­тролируемое обучение нейронной сети можно рассматривать как ре­шение оптимизационной задачи. Ее целью является минимизация функции ошибок, или невязки, Е на данном множестве примеров путем выбора значений весов W.

Суть задачи оптимизации станет яснее, если представить себе график невязки, рассматриваемой как функция весов (эта функция определена в многомерном пространст­ве весов, где каждому весовому коэффициенту соответствует своя размерность). Из-за нелинейностей функций активации полученная поверхность в общем случае будет очень сложной: наряду с плоски­ми участками на ней будут локальные минимумы, седловые точки, овраги.