Поле цифровой дидактики - Вклад [ru]

Нейронная сеть

2025-06-07T08:47:45Z

Склезнева Ксения:

{{Понятие
|Description=Нейронная сеть — это метод в искусственном интеллекте, который учит компьютеры обрабатывать данные таким же способом, как и человеческий мозг. Это тип процесса машинного обучения, называемый глубоким обучением, который использует взаимосвязанные узлы или нейроны в слоистой структуре, напоминающей человеческий мозг. Он создает адаптивную систему, с помощью которой компьютеры учатся на своих ошибках и постоянно совершенствуются. Таким образом, искусственные нейронные сети пытаются решать сложные задачи, такие как резюмирование документов или распознавание лиц, с более высокой точностью. Нейросеть или нейронная сеть - искусственные нейронные сети используют некоторую аналогию с работой живых нервных клеток.
|Field_of_knowledge=Информатика
|similar_concepts=Синапс, нейрон, мозг человека, нейронная связь, нейроэволюция, Машинное обучение, k-means
|Environment=Scratch, Snap!, Python
}}
Естественная нейронная сеть — это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию.

https://upload.wikimedia.org/wikipedia/commons/thumb/3/3d/Neural_network.svg/460px-Neural_network.svg.png

Жизненный цикл нейронной сети, как и любой модели машинного обучения, состоит из двух этапов: обучение (training) и применение (inference).

Первая искусственная нейронная сеть появилась в 1954 году она была разработана Белмонтом Фарли и Уэсли Кларком из Массачусетского технологического института. Сеть была ограничена 128 [[нейрон]]ами и позволяла распознавать простые [[паттерн]]ы. В процессе обучения на вход подается вектор признаков, описывающий объект (массив значений), число элементов которого равно числу входных [[нейрон]]ов, на внутренних слоях происходит обработка сигналов, сеть преобразовывает сигнал в выходной слой

=== Типы нейронный сетей? ===

Базовый тип нейронных сетей — это сеть прямого распространения - сеть с последовательным соединением нейронных слоев, в ней информация всегда идет только в одном направлении.

== Функции активации нейронов ==

Neurons can have different activation functions.

Three different functions are described here:

=== Hard limit function ===
A neuron with a hard limit function

<math>
\varphi^{\mbox{hlim}}(v) = \begin{cases}
1 & \mbox{for } v \geq 0 \\
0 & \mbox{for } v < 0
\end{cases}
</math>

=== Piecewise linear function ===

<math>
\varphi^{\mbox{pwl}}(v) = \begin{cases}
1 & \mbox{for } v \geq \frac{1}{2} \\
v + \frac{1}{2} & \mbox{for } -\frac{1}{2} < v < \frac{1}{2} \\
0 & \mbox{for } v \leq -\frac{1}{2}
\end{cases}
</math>

=== Sigmoid function ===
A sigmoid function is also called a McCulloch-Pitts Model. can have a variable slope parameter <math>a</math>

Самая распространённая функция активации, ее диапазон значений [0,1]. Именно на ней показано большинство примеров в сети, также ее иногда называют логистической функцией.

<math>
\varphi_a^{\mbox{sig}}(v) = \frac{1}{1 + \exp(-av)}.
</math>

=== Для чего нужны нейронные сети? ===
Нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг. Самыми распространенными применениями нейронных сетей является:
# [[Классификация]] — распределение данных по параметрам. Например, на вход дается набор людей и нужно решить, кому из них давать кредит, а кому нет. Эту работу может сделать нейронная сеть, анализируя такую информацию как: возраст, платежеспособность, кредитная история и тд.
#* см. [[Классификация, регрессия и другие алгоритмы Data Mining с использованием R]]
# [[Предсказание]] — возможность предсказывать следующий шаг. Например, рост или падение акций, основываясь на ситуации на фондовом рынке.
# [[Распознавание]] — в настоящее время, самое широкое применение нейронных сетей. Используется в Google, когда вы ищете фото или в камерах телефонов, когда оно определяет положение вашего лица и выделяет его и многое другое.

=== Примеры нейронных сетей ===

{{#widget:Google Spreadsheet
|key=1CeReQ2hSbkiiaWMKX7a5AnE4EInQjJ0L5zND421nk8w
|width=800
|height=600
}}

https://docs.google.com/spreadsheets/d/1CeReQ2hSbkiiaWMKX7a5AnE4EInQjJ0L5zND421nk8w/edit?gid=0#gid=0

=== Проекты с нейронными сетями ===

<scratch project="200358027" /> GA + ANN stands for 'Genetic Algorithm + Artificial Neural Network', as in a way to train a simulated population through a genetic algorithm

Нейронная сеть

2025-06-07T08:46:01Z

Склезнева Ксения:

{{Понятие
|Description=Нейронная сеть — это метод в искусственном интеллекте, который учит компьютеры обрабатывать данные таким же способом, как и человеческий мозг. Это тип процесса машинного обучения, называемый глубоким обучением, который использует взаимосвязанные узлы или нейроны в слоистой структуре, напоминающей человеческий мозг. Он создает адаптивную систему, с помощью которой компьютеры учатся на своих ошибках и постоянно совершенствуются. Таким образом, искусственные нейронные сети пытаются решать сложные задачи, такие как резюмирование документов или распознавание лиц, с более высокой точностью. Нейросеть или нейронная сеть - искусственные нейронные сети используют некоторую аналогию с работой живых нервных клеток.
|Field_of_knowledge=Информатика
|similar_concepts=Синапс, нейрон, мозг человека, нейронная связь, нейроэволюция, Машинное обучение, k-means
|Environment=Scratch, Snap!, Python
}}
Естественная нейронная сеть — это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию.

https://upload.wikimedia.org/wikipedia/commons/thumb/3/3d/Neural_network.svg/460px-Neural_network.svg.png

Жизненный цикл нейронной сети, как и любой модели машинного обучения, состоит из двух этапов: обучение (training) и применение (inference).

Первая искусственная нейронная сеть появилась в 1954 году она была разработана Белмонтом Фарли и Уэсли Кларком из Массачусетского технологического института. Сеть была ограничена 128 [[нейрон]]ами и позволяла распознавать простые [[паттерн]]ы. В процессе обучения на вход подается вектор признаков, описывающий объект (массив значений), число элементов которого равно числу входных [[нейрон]]ов, на внутренних слоях происходит обработка сигналов, сеть преобразовывает сигнал в выходной слой

=== Типы нейронный сетей? ===

Базовый тип нейронных сетей — это сеть прямого распространения - сеть с последовательным соединением нейронных слоев, в ней информация всегда идет только в одном направлении.

== Функции активации нейронов ==

Neurons can have different activation functions.

Three different functions are described here:

=== Hard limit function ===
A neuron with a hard limit function

<math>
\varphi^{\mbox{hlim}}(v) = \begin{cases}
1 & \mbox{for } v \geq 0 \\
0 & \mbox{for } v < 0
\end{cases}
</math>

=== Piecewise linear function ===

<math>
\varphi^{\mbox{pwl}}(v) = \begin{cases}
1 & \mbox{for } v \geq \frac{1}{2} \\
v + \frac{1}{2} & \mbox{for } -\frac{1}{2} < v < \frac{1}{2} \\
0 & \mbox{for } v \leq -\frac{1}{2}
\end{cases}
</math>

=== Sigmoid function ===
A sigmoid function is also called a McCulloch-Pitts Model. can have a variable slope parameter <math>a</math>

Самая распространённая функция активации, ее диапазон значений [0,1]. Именно на ней показано большинство примеров в сети, также ее иногда называют логистической функцией.

<math>
\varphi_a^{\mbox{sig}}(v) = \frac{1}{1 + \exp(-av)}.
</math>

=== Для чего нужны нейронные сети? ===
Нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг. Самыми распространенными применениями нейронных сетей является:
# [[Классификация]] — распределение данных по параметрам. Например, на вход дается набор людей и нужно решить, кому из них давать кредит, а кому нет. Эту работу может сделать нейронная сеть, анализируя такую информацию как: возраст, платежеспособность, кредитная история и тд.
#* см. [[Классификация, регрессия и другие алгоритмы Data Mining с использованием R]]
# [[Предсказание]] — возможность предсказывать следующий шаг. Например, рост или падение акций, основываясь на ситуации на фондовом рынке.
# [[Распознавание]] — в настоящее время, самое широкое применение нейронных сетей. Используется в Google, когда вы ищете фото или в камерах телефонов, когда оно определяет положение вашего лица и выделяет его и многое другое.

=== Примеры нейронных сетей ===

{{#widget:Google Spreadsheet
|key=1CeReQ2hSbkiiaWMKX7a5AnE4EInQjJ0L5zND421nk8w
|width=800
|height=600
}}

=== Проекты с нейронными сетями ===

<scratch project="200358027" /> GA + ANN stands for 'Genetic Algorithm + Artificial Neural Network', as in a way to train a simulated population through a genetic algorithm

Обсуждение:Команды с мячиками

2025-04-12T11:02:18Z

Склезнева Ксения: /* Акулы и рыбы */ новая тема

== Диаграмма модели ==

{{#mermaid:classDiagram

class Автор {
+id: число
+имя: строка
+статьи: список
+создать_статью()
}

class Статья {
+id: число
+название: строка
+авторы: список
+дата_создания: дата
}

Автор "1" *-- "0..*" Статья : создаёт
Статья "1" o-- "1..*" Автор : авторы

}}

== Диаграмма модели 2 ==

{{#mermaid:sequenceDiagram
participant Автор1
participant Автор2
participant Система

Автор1->>Система: Запрос на создание статьи
Система->>Статья: Создать новый экземпляр
Система->>Автор1: Добавить в авторы
Автор2->>Система: Запрос на присоединение
Система->>Статья: Добавить Автор2

}}

----

{{#mermaid:sequenceDiagram
participant Parent as Родитель
participant School as Школа
participant Student as Ученик

Parent->>School: Оценка рейтинга школы
Parent->>Student: Выбор школы для ученика
Student->>School: Запись в школу
}}

-----

== Акулы и рыбы ==

{{#mermaid:sequenceDiagram
participant Акула
participant Рыба
Акула->>Рыба: Обнаружение в радиусе 1
Акула->>Акула: Проверка энергии
Акула->>Рыба: Уничтожение (die)
Акула->>Акула: energy += 20
Акула->>Акула: Проверка энергии для размножения
alt energy > 300
Акула->>Акула: hatch 1 (energy = 100)
Акула->>Акула: energy -= 150
end
}}

Участник:Склезнева Ксения

2025-02-15T10:58:52Z

Склезнева Ксения:

{{UserMGPU
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Да
}}
[[Категория:UserMGPU]]
[[Категория:ИНДОР-231]]

Участник:Склезнева Ксения

2025-02-15T10:58:37Z

Склезнева Ксения:

{{UserMGPU
|Position=Бакалавриат
|Profile=Информатика, Робототехника
|PedDirection=Нет
}}
[[Категория:UserMGPU]]
[[Категория:ИНДОР-231]]

Участник:Склезнева Ксения

2025-02-15T10:14:14Z

Склезнева Ксения: Новая страница: «Категория:UserMGPU Категория:ИНДОР-231»

[[Категория:UserMGPU]]
[[Категория:ИНДОР-231]]