Слайд 2
![Модель нейрона](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-1.jpg)
Слайд 3
![«Живой» нейрон](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-2.jpg)
Слайд 4
![Искусственная нейронная сеть (ИНС) Искусственная нейронная сеть (ИНС) - это](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-3.jpg)
Искусственная нейронная сеть (ИНС)
Искусственная нейронная сеть (ИНС) - это упрощенная модель
биологического мозга, точнее нервной ткани. Естественная нервная клетка (нейрон) состоит из тела (сомы), содержащего ядро, и отростков — дендритов, по которым в нейрон поступают входные сигналы. Один из отростков, ветвящийся на конце, служит для передачи выходных сигналов данного нейрона другим нервным клеткам. Он называется аксоном. Соединение аксона с дендритом другого нейрона называется синапсом.
Сеть ИНС представляет собой совокупность простых вычислительных элементов — искусственных нейронов, каждый из которых обладает определенным количеством входов (дендритов) и единственным выходом (аксоном), разветвления которого подходят к синапсам, связывающим его с другими нейронами.
Слайд 5
![Модель нейрона](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-4.jpg)
Слайд 6
![Модель нейрона](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-5.jpg)
Слайд 7
![Свойства нейронных сетей Обучение Обобщение Абстрагирование Применимость](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-6.jpg)
Свойства нейронных сетей
Обучение
Обобщение
Абстрагирование
Применимость
Слайд 8
![Функции активации в нейронных сетях](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-7.jpg)
Функции активации в нейронных сетях
Слайд 9
![Функции активации в нейронных сетях Единичный скачок или жесткая пороговая](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-8.jpg)
Функции активации в нейронных сетях
Единичный скачок или жесткая пороговая функция
Линейный порог
или гистерезис
Сигмоидальная функция или сигмоид
Слайд 10
![Единичный скачок или жесткая пороговая функция](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-9.jpg)
Единичный скачок или жесткая пороговая функция
Слайд 11
![Линейный порог или гистерезис](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-10.jpg)
Линейный порог или гистерезис
Слайд 12
![Сигмоидальная функция или сигмоид](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-11.jpg)
Сигмоидальная функция или сигмоид
Слайд 13
![Сигмоидальная функция или сигмоид](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-12.jpg)
Сигмоидальная функция или сигмоид
Слайд 14
![Персептрон](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-13.jpg)
Слайд 15
![Персептрон](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-14.jpg)
Слайд 16
![Персептрон Именно такие системы и множество им подобных называются –](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-15.jpg)
Персептрон
Именно такие системы и множество им подобных называются – персептронами. Персептроны
состоят из одного слоя (т.е. количество слоев нейронов между входом X и выходом OUT равно одному) искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов.
Слайд 17
![Классификация нейронных сетей](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-16.jpg)
Классификация нейронных сетей
Слайд 18
![](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-17.jpg)
Слайд 19
![Характер обучения использующие обучение с учителем использующие обучение без учителя](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-18.jpg)
Характер обучения
использующие обучение с учителем
использующие обучение без учителя
Слайд 20
![Настройка весов сети с фиксированными связями – весовые коэффициенты нейронной](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-19.jpg)
Настройка весов
сети с фиксированными связями – весовые коэффициенты нейронной сети выбираются
сразу, исходя из условий задачи;
сети с динамическими связями – для них в процессе обучения происходит настройка синаптических весов.
Слайд 21
![Тип входной информации аналоговая – входная информация представлена в форме](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-20.jpg)
Тип входной информации
аналоговая – входная информация представлена в форме действительных чисел;
двоичная
– вся входная информация в таких сетях представляется в виде нулей и единиц.
Слайд 22
![Применяемая модель нейронной сети Сети прямого распространения Реккурентные нейронные сети](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-21.jpg)
Применяемая модель нейронной сети
Сети прямого распространения
Реккурентные нейронные сети
Радиально базисные
функции
Самоорганизующиеся карты или Сети Кохонена
Слайд 23
![Нейронные сети Кохонена](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-22.jpg)
Слайд 24
![Нейронные сети Кохонена Нейронные сети Кохонена - отдельный класс нейронных](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-23.jpg)
Нейронные сети Кохонена
Нейронные сети Кохонена - отдельный класс нейронных сетей, используемых
для решения различных задач классификации и производных от них.
Слайд 25
![Нейронные сети Кохонена](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/597525/slide-24.jpg)