Файл: Реферат Нейросеть как будущее Выполнил студент группы б2121 Специальность 38. 02. 01.docx
Добавлен: 09.01.2024
Просмотров: 134
Скачиваний: 6
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
федеральное казенное профессиональное образовательное учреждение
«Кунгурский техникум – интернат»
Министерства труда и социальной защиты Российской Федерации
XVI научно-практическая конференция обучающихся
ФКПОУ «Кунгурский техникум-интернат» Минтруда России
Реферат
Нейросеть как будущее
Выполнил студент группы
Б-21-21
Специальность 38.02.01
Экономика и бухгалтерский учет
(по отраслям)
Резенков Павел Алексеевич
Руководитель: преподаватель
Алексеев Евгений Анатольевич
п. Садоягодное, 2023
С
одержание| Введение............................................................................................................ | 3 | |
| Глава 1. Понятие «нейросеть», история создания, виды............................. | 4 | |
| |
| 4 |
| | 1.2 Виды нейросетей............................................................................... | 5 |
| Глава 2. Современные нейросети, возможности.......................................... | 8 | |
| | 2.1 Современные нейросети................................................................... | 8 |
| | 2.2 Перспективы развития нейросетей, спорные моменты................. | 11 |
| Заключение…………………………………………………………………… | 22 | |
| Список использованных источников………………………………………. | 23 | |
| Приложение | | |
Введение
В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных
нейронных сетях. Актуальность исследований в этом направлении подтверждается массой различных применений нейросетей. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью нейросетей можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. В то время как на западе применение НС уже достаточно обширно, у нас это еще в некоторой степени экзотика – российские фирмы, использующие НС в практических целях, наперечет.
Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные сети, функционирующие по различным алгоритмам. Тем не менее, тенденции развития нейросетей растут с каждым годом.
Цель работы: изучение искусственных нейронных сетей, возможностей и перспектив.
Необходимо выполнить ряд следующих задач для достижения поставленной цели:
-
Рассмотреть историю и условия создания нейронных сетей. -
Изучить современные нейросети, возможности, спорные моменты.
Глава 1. Понятие «нейросеть», история создания, виды
-
Понятие «нейросеть», история создания
Нейросеть — математическая модель, работающая по принципам нервной системы живых организмов. Ее основное назначение — решать интеллектуальные задачи. То есть те, в которых нет изначально заданного алгоритма действий и спрогнозированного результата.1
Началом работы ученых в этом направлении можно считать статью Уорена Маккалока и Уолтера Питтса, вышедшую в 1943 году. Они разработали компьютерную модель нейронной сети, опираясь на математические алгоритмы и теорию деятельности головного мозга. Следующим шагом стала книга Дональда Хебба «Организация поведения» 1949 года, в которой канадский нейропсихолог описал процесс самообучения искусственной нейронной сети.
Спустя 8 лет Фрэнком Розенблаттом была представлена математическая модель обработки информации человеческим мозгом, получившая название персептрон. Еще через три года, в 1960, этот американский ученый продемонстрировал электронное устройство, которое имитировало работу мозга, в частности, распознавала отдельные символы на карточках, которое оно «видело» своими «глазами» - камерами.
В 1969 году идея создания нейронных сетей была жестко раскритикована Минским и Пейпертом. Они указали на серьезные проблемы, препятствующие эффективному использованию искусственных нейронных сетей. Например, обратили внимание на невозможность реализации НС функции «Исключающее ИЛИ», а также на недостаточную вычислительную мощность существовавших на тот момент компьютеров. Эта статья на некоторое время подорвала интерес ученых к нейронным сетям.
Однако это направление по-прежнему представлялось весьма перспективным многим исследователям, продолжавшим попытки сформулировать принцип работы самообучаемой системы. Метод обратного распространения ошибки, предложенный в 1974 году Полом Вербосом, стал еще одним шагом на пути создания нейросети. Через год Фукусима разработал первую многослойную НС – когнитрон. В 1982 году Хопфилд добился двусторонней передачи информации между нейронами, что еще больше подогрело интерес ученых к поискам новый решений в этой отрасли.
С начала 1990-х были сделаны важнейшие шаги в деле создания нейронных сетей, а в 2007 году Джеффри Хинтон ввел понятие глубокого обучения, что позволило приступить к использованию возможностей нейросетей в утилитарных целях, например, для распознавания лиц.
-
Виды нейросетей
Любая ИНС включает первый, или входной, слой нейронов, который принимает сигналы и распределяет их по другим нейронам. Этот признак объединяет все сети, а разные типы выделяются в зависимости от того, какова дальнейшая ее структура и по какому принципу различные слои нейронной сети взаимодействуют межу собой.2
Однонаправленные.
Для этой структуры характерно движение сигнала строго от входного слоя к последнему. ИНС такого типа прекрасно зарекомендовали себя при решении таких задач, как распознавание, прогнозирование и кластеризация.
Разберем принцип работы этого вида нейронной сети на примере. Как наш мозг понимает, что на картинке изображена собака? Он пользуется набором характеристик, хранящихся в нашей памяти. Если объект на фото или
рисунке соответствует перечню качеств, присущих собаке (четыре лапы, подходящий размер, хвост, шерсть и т. д.), мозг подтверждает, что мы видим именно это животное. Пес может быть зеленого цвета или лишенным растительности, но от этого он не перестанет восприниматься нами как собака.
Нейросеть действует по такому же принципу. Группы нейронов анализируют изображение, отмечая наличие признаков, которые должны быть у того или иного объекта. В случае с собакой базовой характеристикой может быть строение тела, затем ИНС фиксирует другие качества – форма головы, шерсть, хвост и т. д. На выходе сеть решает, можно ли считать животное на картинке собакой, или нет.
Сети прямого направления не способны запоминать результаты предыдущего анализа. Информация передается только вперед, и по способу функционирования они схожи со сложными алгоритмами.
После обучение такая нейросеть определит, какие признаки обязательно должны присутствовать у собаки, но при этом каждый раз будет проводить анализ с нуля.
Рекуррентные нейронные сети.
Для рекуррентных нейросетей характерно наличие памяти: они способно провести аналогию между текущим состоянием и предшествующим ему. Такая ИНС сопоставит предложенное изображение собаки с тем, которое «видела» ранее.
Однако чтобы лучше понять специфику этого вида нейронной сети, рассмотрим ее действие на другом примере. Такие ИНС помогают решать задачи, не связанные с распознаванием, они чаще используются для генерирования последовательностей.
Так, проблема автоматических переводчиков заключается в низком качестве результата. Программа соотносит значение слова в источнике с подходящим вариантом в другом языке, определяет синтаксическую функцию лексической единицы, однако готовый перевод может быть бессмысленным.
Рекуррентные нейронные сети способны проанализировать стиль текста и подобрать оптимальные соответствия из словаря. Для этого недостаточно просто знать лексику и базовые идиомы, необходимо изучать примеры текстов и выдавать результат, аналогичный представленным образцам.
В процессе самообучения нейросеть может «поумнеть» настолько, что будет без труда разбираться, к какому стилю относится предложенный текст, какая лексика подойдет для адекватного перевода и какие синтаксические конструкции при этом лучше использовать.
Сфера применения рекуррентных нейронных сетей гораздо шире, чем однонаправленных, ведь ИНС с кратковременной памятью можно использовать для создания обучаемых ботов и даже для оценки финансового положения компании.
В основе другой классификации лежит направленность действий ИНС. Выделяют нейросети прямого и обратного распространения.
ИНС прямого распространения - сигнал передается последовательно от входного слоя к выходному. У него нет возможности вернуться назад к тем нейронам, на которых он уже побывал.3
ИНС с функцией обратного распространения - способны возвращать сигнал назад. Это существенно расширяет их функционал. Такие нейросети обладают подобием кратковременной памяти.
Каждую сеть можно классифицировать еще по нескольким признакам — типу нейронов, способу обучения, виду входных сигналов и т. п. Классификаций множество, поэтому осветить их в рамках одной статьи нереально.
Глава 2. Современные нейросети, возможности
2.1 Современные нейросети
К началу 2020-х годов нейросети успели с переднего края научных разработок проникнуть в сферу общедоступных интернет - развлечений. В наши дни каждый может поэкспериментировать с генерацией текстов или изображений, сгенерировать фотореалистичного человека или кота, превратить набросок качества «paint» - во вполне сносный пейзаж. И в некоторых случаях даже без регистрации и СМС.4
Crayon (бывшая Dall-E mini).
Увы, несмотря на расширение количества тестеров до миллиона, самая продвинутая нейросеть по генерации изображений на основе текста Dall-E 2 всё ещё остаётся не общедоступной. По словам разработчиков из OpenAI Илона Маска, из-за высокого качества создаваемых изображений они опасаются разного рода непредсказуемых последствий: от генерации фотореалистичного прона до создания политических фейков с провокациями. Покуда о Dall-E 2 большинству остаётся только мечтать и листать созданные тестерами картинки, включая недавно добавленную опцию по «дорисовыванию» изображений в разные стороны — можно поэкспериментировать с упрощённой «сестрой» Dall-E 2 под названием Dall-E mini. Точнее, теперь уже Crayon.
Разработчики Борис Дайма и Педро Куэнка изменили название и адрес нейросети по настоятельной просьбе из OpenAI, чтобы не возникало путаницы с основным текущим проектом OpenAI — великой и ужасной Dall-E 2. Правда, есть подозрение, что после переименования и переноса рисовать по текстовым запросам у «младшей Dall-E» стало получаться чуть хуже.
Зато по запросу «как ты себя представляешь» нейросеть стала изображать различные электронные устройства. Возможно, это шутка разработчиков, а возможно, и нет. При этом, на сегодня данный аспект становится все популярнее, актуальнее. Эпоха «цифровизации» все чаще предлагает человеку ассоциировать себя с определенным гаджетом.