Объяснялка от Машеньки:

У меня нейронная сеточка умеет с точностью 95% определять числа рукописные, не говоря о том, что умеет переводить десятичные числа в двоичные

я не очень понимаю что это, но наверно это хорошо)

я могу объяснить на пальцах

Представь, что нейрон - это такая штука, у которой есть N входов и 1 выход

У каждого входа есть вес. Это значит, что у входа n есть параметр "вес" Wn. У нейрона есть параметр bias - точка срабатывания

Простейший нейрон - перцептрон - даёт на выход 1, если SUM(Wn для всех n) - bias >= 0

Иначе он даёт на выход 0

На вход простейшему нейрону могут приходить только числа 0 и 1

На таком простом устройстве можно построить, к примеру, Исключающее ИЛИ: пусть у нейрона два входа, у них равные веса -2 и bias = 3

Если оба входа выключены, то на выходе 1. Если только один включен, то на выходе 1. Если оба включены, то на выходе 0

Нейронная сеть - это связка нейронов. Обычно нейроны располагают слоями: все нейроны слоя 1 связаны с каждым нейроном слоя 2

http://neuralnetworksanddeeplearning.com/images/tikz1.png

Вот так, слева входы - справа выходы

При помощи простейшей нейронной сети из одного слоя - 4 нейрона, у каждого 10 входов - ты можешь реализовать нейронную сеть для перевода десятичных чисел в двоичные

если точнее, чисел от 0 до 9 в двоичную систему

слабо?)

 Есть одно существенное улучшение в этой конструкции, которое позволит определять лица на фото, различать привлекательность людей и их возраст, распознавать рукописные символы лучше человека, и оно крайне простое

нужно разрешить входы принимать не значения 0 и 1, а всё между 0 и 1; и выходы тоже соответственно принимают дробные значения между 0 и 1

 для перевода сумм весов и bias в значение от 0 до 1 используется сигма-распределение

Всё

я понимаю, что эти нейронные сети являются аналогом реальных сетей в живом организме

Ну, моделью

 очень примерной

спасибо, надо это всё осмыслить)

пока я вижу просто сумматор и причем тут нейронные сети, просто сеть 

А нейроны и есть сумматоры

интересно, спасибо)

 в общих чертах понятно

Вот) самое клевое, что такие сумматоры можно обучать

Unread messages

 Ты даешь им известные значения на вход и выход, и понемногу при помощи градиентного спуска определяешь среднеквадратичное отклонение так, чтоб оно было минимальным для значений выходов относительно ожидаемых значений выходов, подбирая значения весов и bias

обучение - это просто приближение к заданному результату?

Да, именно так

 http://www.youtube.com/watch?v=nrnxZVEHZCo - вот видео, которое показывает

YouTube

Neural Network Learning

Watch a neural network learn. Her synaptic connections grow thicker as she considers this pattern: 0, 0, 1 → 0 0, 1, 1 → 1 1, 0, 1 → 1 0, 1, 0 → 1 1, 0, 0 → ...

[Video]

 Оно учится решать вот такую задачу:

0, 0, 1 → 0

0, 1, 1 → 1

1, 0, 1 → 1

0, 1, 0 → 1

1, 0, 0 → 1

1, 1, 1 → 0

0, 0, 0 → 0

первая строка, то,  что мы хотим получить в конце? и дальше случайный перебор

нет-нет

 для заданного набора входов (3 входа) заданный набор выходов (1 выход)

 такую штуку легко реализовать на логических элементах, конечно