Машинное обучение

Обучение с подкреплением

• система подкрепления, при которой веса всех активных связей cij, которые оканчиваются на некотором элементе uj, изменяются на одинаковую величину Δvij(t) = η, или с постоянной скоростью в течение всего времени действия подкрепления, причем веса неактивных связей за это время не изменяются.
• Перцептрон, в котором используется α-система подкрепления, называется α-перцептроном.
• Подкрепление называется дискретным, если величина изменения веса является фиксированной, и непрерывным, если эта величина может принимать произвольное значение.

Альфа-система подкрепления

• такое правило изменения весовых коэффициентов некоторого элемента, при котором веса всех активных связей сначала изменяются на равную величину, а затем из их всех весов связей вычитается другая величина, равная полному изменению весов всех активных связей, деленному на число всех связей.
• Эта система обладает свойством консервативности относительно весов, так как у нее полная сумма весов всех связей не может ни возрастать, ни убывать.

Гамма-система подкрепления
Машинное обучение
Искусственные нейронные сети

• математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.

Искусственные нейронные сети

• ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

• С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

• Сети прямого распространения (Feedforward)
• Многослойный перцептрон
• Сети Ворда
• Рекуррентные нейронные сети‎
• Сеть Хопфилда
• Сеть Хемминга
• Сеть Коско
• Радиально-базисные функции (RBF)
• Самоорганизующаяся карта Кохонена (SOM)