ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ

Δεμερτζής Κωνσταντίνος

Περιγραφή

Nευρωνικό δίκτυο ονομάζεται ένα κύκλωμα διασυνδεδεμένων νευρώνων. Στην περίπτωση βιολογικών νευρώνων, πρόκειται για ένα τμήμα νευρικού ιστού. Στην περίπτωση τεχνητών νευρώνων, πρόκειται για ένα αφηρημένο αλγοριθμικό κατασκεύασμα το οποίο εμπίπτει στον τομέα της υπολογιστικής νοημοσύνης, όταν στόχος του νευρωνικού δικτύου είναι η επίλυση κάποιου υπολογιστικού προβλήματος, ή της υπολογιστικής νευροεπιστήμης, όταν στόχος είναι η υπολογιστική προσομοίωση της λειτουργίας των βιολογικών νευρωνικών δικτύων με βάση κάποιο μαθηματικό μοντέλο τους. Τα νευρωνικά δίκτυα είναι εφαρμόσιμα σχεδόν σε κάθε κατάσταση στην οποία ισχύει μια σχέση μεταξύ μεταβλητών πρόβλεψης (ανεξάρτητες, εισροές) και προβλεπόμενες μεταβλητές (εξαρτημένες, εκροές), ακόμα και όταν αυτή η σχέση είναι πολύ περίπλοκη για να αποδοθεί με τους συνηθισμένους όρους της «συσχέτισης» ή της «ανομοιότητας» μεταξύ δεδομένων.

Το μάθημα έχει ως στόχο να αποτελέσει μια εισαγωγή στα τεχνητά νευρωνικά δίκτυα και τις εφαρμογές τους με έμφαση

Περισσότερα  
Κωδικός: ED167
Κατηγορία: Τμήμα Ηλεκτρολόγων Μηχανικών » Προπτυχιακό

Θεματικές Ενότητες

Η Υπολογιστική Νοημοσύνη αποτελεί ένα σύνολο διαφορετικών υπολογιστικών προσεγγίσεων που έχουν ως στόχο την ενσωμάτωση κάποιου είδους ευφυΐας στις μηχανές. Κεντρικό ρόλο παίζουν οι προσεγγίσεις που ενσωματώνουν δυνατότητες μάθησης, όπως τα Νευρωνικά Δίκτυα και μηχανισμούς εξαγωγής συμπερασμάτων με βάση ελλιπή και ανακριβή δεδομένα.

Οι εργασίες μηχανικής μάθησης συνήθως ταξινομούνται σε τρεις μεγάλες κατηγορίες, ανάλογα με τη φύση του εκπαιδευτικού «σήματος» ή την «ανατροφοδότηση» που είναι διαθέσιμα σε ένα σύστημα εκμάθησης. Αυτές είναι:

  1. Επιτηρούμενη μάθηση (αλλιώς επιβλεπόμενη μάθηση ή μάθηση με επίβλεψη) (supervised learning): Το υπολογιστικό πρόγραμμα δέχεται τις παραδειγματικές εισόδους καθώς και τα επιθυμητά αποτελέσματα από έναν «δάσκαλο», και ο στόχος είναι να μάθει έναν γενικό κανόνα προκειμένου να αντιστοιχίσει τις εισόδους με τα αποτελέσματα.
  2. Μη επιτηρούμενη μάθηση (αλλιώς μη επιβλεπόμενη μάθηση ή μάθηση χωρίς επίβλεψη (unsupervised learning): Χωρίς να παρέχεται κάποια εμπειρία στον αλγόριθμο μάθησης, πρέπει να βρεί την δομή των δεδομένων εισόδου. Η μη επιτηρούμενη μάθηση μπορεί να είναι αυτοσκοπός (ανακαλύπτοντας κρυμμένα μοτίβα σε δεδομένα) ή μέσο για ένα τέλος (χαρακτηριστικό της μάθησης).
  3. Ημι-επιτηρούμενη μάθηση, όπου ο δάσκαλος δίνει ένα ελλειπές εκπαιδευτικό σήμα: ένα σύνολο εκπαίδευσης με κάποια (συχνά πολλά) από τα αποτελέσματα στόχους να λείπουν. 

Η προεπεξεργασία των δεδομένων αποτελεί ένα αναγκαίο στάδιο στη διαδικασία εξόρυξης γνώσης. Παρουσιάζονται τα βασικά προβλήματα και οι αντίστοιχες τεχνικές αντιμετώπισης τους που σχετίζονται με την προεπεξεργασία των δεδομένων. Γίνεται αναφορά στο καθαρισμό των δεδομένων, στην ολοκλήρωση τους και στο μετασχηματισμό τους. Επίσης παρουσιάζονται μέθοδοι μείωσης διαστάσεων και επιλογής σημαντικών χαρακτηριστικών.

Το νευρωνικό δίκτυο είναι ένα δίκτυο από απλούς υπολογιστικούς κόμβους (νευρώνες, νευρώνια), διασυνδεδεμένους μεταξύ τους. Είναι εμπνευσμένο από το Κεντρικό Νευρικό Σύστημα, το οποίο προσπαθεί να προσομοιώσει. Ουσιαστικά πρόκειται για ένα αφηρημένο αλγοριθμικό κατασκεύασμα το οποίο εμπίπτει στον τομέα της υπολογιστικής νοημοσύνης, όταν στόχος του νευρωνικού δικτύου είναι η επίλυση κάποιου υπολογιστικού προβλήματος, ή της υπολογιστικής νευροεπιστήμης, όταν στόχος είναι η υπολογιστική προσομοίωση της λειτουργίας των βιολογικών νευρωνικών δικτύων με βάση κάποιο μαθηματικό μοντέλο τους.

Αρχιτεκτονικές Νευρωνικών Δικτύων:

  1. Νευρωνικά δίκτυα οπίσθιας διάδοσης σφάλματος
  2. Χρονικής καθυστέρησης
  3. Δίκτυα LSTM

Σύγχρονες αρχιτεκτονικές Νευρωνικών Δικτύων:

  1. Extreme Learning Machines
  2. Deep Neural Networks
  3. Spiking Neural Networks

Εφαρμογές Νευρωνικών Δικτύων:

  1. Matlab
  2. Weka
  3. Python (TensorFlow, Keras, Scikit-Learn)

Ημερολόγιο