Neironu tīkli un to izmantošana (2.daļa)

Spēja mācīties ir fundamentāla smadzeņu īpašība. Mākslīgo neironu tīkla kontekstā apmācības process var tikt izskatīts kā tīkla arhitektūras un svaru sakaru noskaņošana efektīvai speciāla uzdevuma izpildei. Tīklu funkcionēšana uzlabojas atkarībā no svaru koeficientu iteratīvās noskaņošanas. Tīkla spēja apmācīties ar piemēriem padara tos pievilcīgākus salīdzinājumā ar sistēmām, kuras seko noteiktai ekspertu noformulētai funkcionēšanas sistēmai.
Apmācības procesa koordinēšanai vispirms ir nepieciešams ārējas vides modelis, kurā funkcionē neironu tīkls, jāzina tīklam pieejamā informācija. Apmācības algoritms ir procedūra, kurā tiek izmantoti apmācības noteikumi svaru noregulēšanai.
Pastāv trīs apmācības paradigmas: “ar skolotāju”, “bez skolotāja” (pašmācība) un jauktā. Pirmajā gadījumā neironu tīklam ir pareizas atbildes (izejas tīkli) katram ieejas piemēram. Svarus noregulē tā, lai tīkls sniegtu atbildes pēc iespējas tuvāk zināmajām atbildēm. Pastiprināts apmācības variants ar skolotāju paredz, ka ir zināms tikai kritiskais neironu tīkla pareizības vērtējums, bet ne pašas pareizās izejas vērtības. Apmācība bez skolotāja neprasa pareizas atbildes zināšanu katram apmācošajam piemēram. Šajā gadījumā tiek atklāta datu iekšējā struktūra vai korelācija starp piemēriem datu sistēmā, kas ļauj sadalīt paraugus kategorijās. Jauktas apmācības gadījumā daļa svaru tiek noteikta, izmantojot apmācību ar skolotāju, bet pārējie svari tiek noteikti ar pašmācības palīdzību.
Apmācības teorija izskata trīs fundamentālās īpašības, kuras saistītas ar apmācību pēc piemēriem: apjoms, paraugu sarežģītība un skaitļošanas sarežģītība. Ar apjomu tiek saprasts, cik paraugus var iegaumēt tīkls un kādas lēmuma pieņemšanas funkcijas un robežas tas spēj izveidot. Paraugu sarežģītību nosaka apmācošo piemēru skaits, kas nepieciešams, lai sasniegtu tīkla spēju vispārināt. Pārāk mazs piemēru skaits var radīt tīkla “pārapmācību”, kad tas labi funkcionē ar apmācošajiem piemēriem, bet slikti - ar testu piemēriem, kas pakļauti tai pašai statistiskai sadalei. Zināmi 4 apmācības noteikumu pamattipi: korekcija pēc kļudas, Bolcmana mašīna, Hebba noteikumi un apmācība pēc sacensību metodes.
Kļūdas korekcijas noteikumi. Apmācības gadījumā ar skolotāju katram ieejas piemēram noteikta vēlamā izeja d. Tīkla reālā izeja y var nesakrist ar vēlamo. Kļūdas korekcijas princips apmācoties ir signāla (d-y) izmantošana svaru modifikācijai, kas nodrošina pakāpenisku kļūdas samazināšanos. Apmācība ir nepieciešama tikai gadījumā, kad tīkls kļūdās. Ir zināmas dažādas šī algoritma apmācības modifikācijas [6].
Bolcmana apmācība. Bolcmana apmācības mērķis ir tāda svaru koeficientu noregulēšana, pie kuras redzamo neironu stāvoklis apmierina vēlamo varbūtību sadali. Bolcmana apmācība var tikt izskatīta kā kļūdas korekcijas īpašs gadījums, kur ar kļūdu tiek saprasta korelācijas stāvokļa nevienprātība divos režīmos.…