В данном уроке рассмотрим основные классы задач, которые успешно решаются при помощи искусственных нейронных сетей.
Задачи интерполирования и аппроксимации успешно решаются искусственными нейронными сетями.
При аппроксимации (приближение) – функция максимально близко прилегает к точкам на графике
При интерполяции (изменение, переделка) – функция строго совпадает с данными в узлах сетки.
Задача прогнозирования на самом деле сводится к задаче аппроксимации.
Задача нейронной сети заключается в том, чтобы смоделировать такую зависимость одной переменной от другой так, чтобы можно было предсказать поведение этой функции на несколько шагов вперед.
Нейронные сети с большим количеством скрытых слоев могут моделировать сложные зависимости не только для одной переменной.
Такие нейронки могут моделировать зависимость множества выходов от множества входов.
Суть состоит в том, чтобы из множества объектов при помощи математического алгоритма отобрать объекты, отнесенные к определенным классам по каким-либо характеристикам.
Если для решения такой задачи использовать нейронную сеть, то на вход сети нужно подать параметры объекта, а на выходе получить условный номер класса, к которому относится объект.
Важный момент. В отличие от задачи кластеризации, классы объектов определены заранее. Вы уже знаете количество категорий и параметры объектов, по которым тот или иной объект включается в категорию.
Кластеризация (или кластерный анализ) — это задача разбиения множества объектов на группы, называемые кластерами.
Математический алгоритм разбивает объекты на группы таким образом, что внутри каждой группы окажутся наиболее «похожие» объекты.
Объекты разных групп должны быть максимально отличны друг от друга.
На входе нейронной сети – параметры объектов, на выходе – номер кластера.
В отличие от задачи классификации число групп или категорий неизвестно заранее. В процессе обучения нейронная сеть самостоятельно определяет количество кластеров и параметры объектов, по которым они включаются в кластер.
С задачей кластеризации отлично справляются нейронные сети Кохонена, которые будет рассматривать позднее в этом канале и на сайте.
Задача распознавания образов - комплексная задача.
Для ее решения могут использоваться несколько классов моделей нейронных сетей и/или алгоритмов машинного обучения.
В частности сверточные нейронные сети справляются с данной задачей.
В сверточных нейронных сетях есть нейроны разных типов, которые различаются по функциям. Также при одинаковом количестве нейронов и скрытых слоев сверточная нейронная сеть за счет своей структуры имеет меньшее количество синаптических связей и настраиваемых весовых коэффициентов, чем многослойная нейронная сеть.
Про то, чем сверточные нейронные сети отличаются от многослойных перцептронов и как они устроены можно прочитать в статье на habr.com.
На изображении ниже показана взаимосвязь архитектур НС с классом решаемых задач.
В данном уроке мы рассмотрели 5 основных групп задач, с которыми нейронные сети справляются лучше всего. В настоящее время в связи с развитием генеративного ИИ к этим классам можно добавить задачу генерации контента - изображений и текста.