(هذه المقالة لا تشرح المفاهيم الأساسية لنظرية الشبكات العصبية. بالنسبة لأولئك الذين ليسوا على دراية بها ، قبل القراءة ، أنصحك بالقراءة لاستبعاد المزيد من الأخطاء.)
جوهر هذا النص هو
التعرف على بعض أنواع الشبكات العصبية التي يتم تغطيتها في المساحات الناطقة بالروسية ، في كثير من الأحيان ، إن لم نقل على الإطلاق ، نادرًا للغاية.
- الشبكات العصبية القائمة على القواعد (الشبكات العصبية المستندة إلى القواعد ، المشار إليها فيما يلي باسم RBNN ) هي شبكات عصبية تستند إلى القواعد الأساسية (مثل التضمين العادي) ، والتي نحصل عليها ، تقريبًا ، على نظام خبير جاهز ، ومع ذلك ، نحن الآن نتدرب بالفعل.
- يمكن أن تعزى الشبكات العصبية المنطقية إلى نوع مختلف تمامًا ، لكنني أقترح أن نعزوها إلى أحد أنواع RBNN. تم وصف مفهوم الشبكات العصبية المنطقية لأول مرة في عمل A. Barsky - "الشبكات العصبية المنطقية".
فكرة الشبكات العصبية المنطقية هي أن تؤسس على كل خلية عصبية من الطبقة المخفية واحدة من العمليات المنطقية: الاقتران أو الانفصال.
رسم توضيحي من كتاب "الشبكات العصبية المنطقية" ، ص 241
لماذا يستحق هذا النوع من الشبكات العصبية الإشارة إلى RBNN؟ لأن العمليات المنطقية الموصوفة أعلاه هي قواعد غريبة تعبر عن علاقات معلمات الإدخال مع بعضها البعض.
يمكن تعريف مفاهيم "القواعد الأولية" الموضحة أعلاه بشكل أكثر بساطة - قاعدة معرفية. بالنسبة لأولئك المطلعين على أنظمة التحكم المشوشة ، لن يكون هذا التعريف جديدًا.
قاعدة المعرفة هي المكان الذي توجد فيه جميع قواعدنا في شكل التعبيرات "IF X1 AND \ OR X2 THEN Y" ، إلخ. لماذا ذكرت أنظمة غامضة؟ لأنه يمكن تمثيل إنشاء منظم ضبابي على أنه المرحلة الأولى من إنشاء RBNN ، أيضًا لأنهم دفعوني إلى فكرة تحويل الشبكات العصبية العادية إلى شيء مشابه.
لنفترض أن لدينا قاعدة معرفية ونظام خبير صغير مبني عليها. في شكل رسوم بيانية ، يمكن التعبير عن ذلك على النحو التالي:
المصدر: www.lund.irf.se/HeliosHome/rulebased.html
والسؤال الآن هو كيفية جعل شبكة عصبية تعليمية خارج هذا النظام الصارم؟
أولاً ، نقطة مهمة هي إدخال الوزن في بنية مماثلة ، على كل حافة. سيعكس كل وزن احتمالية العلاقة بين عنصر أو آخر بمجموعة من العناصر الأخرى (على سبيل المثال ، معلمة الإدخال A للخلايا العصبية الأولى للطبقة المخفية ، على التوالي ، للانخراط في المجموعة AB) ، أو بالإجابة X ، Y ، Z ، إلخ.
ربما لن يكون واضحًا تمامًا للقارئ حيث يمكن أن تكون هذه الشبكات العصبية في متناول اليد - في هذه الحالة سأقدم مثالًا بسيطًا إلى حد ما:
لنفترض أنه ليس لدينا عينة كبيرة من البيانات ، ولكن فقط "رأي عام". نريد إنشاء شبكة عصبية تعطي قائمة فردية للشخص.
لنفترض أننا لا نعرف أي شيء عن أذواق وتفضيلات هذا المستخدم ، ولكنك ما زلت بحاجة إلى البدء من مكان ما. نقوم بعمل رسم تخطيطي
معمم لقائمة نموذجية:
- عجة الإفطار
- حساء حساء
- عشاء عصيدة
تبعا لذلك ، في الأيام الأولى ، يتلقى الشخص مثل هذه القائمة ، ولكن مع "ألفة" الشبكة العصبية مع تفضيلات المستخدم ، يصبح وزن توصيل الإفطار والأومليت أصغر ، ويزيد الوزن الذي يربط الإفطار والعصيدة. وفقًا لذلك ، أصبحت الشبكة العصبية الآن "واضحة" ما يفضله المستخدم بالضبط لوجبة أو أخرى (في هذه الحالة ، اتضح أن مستخدمنا يحب العصيدة لتناول الإفطار بدلاً من البيض المخفوق). بمرور الوقت ، ربما ستتغير تفضيلات الشخص وستتأقلم الشبكة العصبية معها مرة أخرى.
لذا على الأقل ، يمكن أن تكون شبكات RBNN مفيدة للغاية في الحالات التي لا توجد فيها عينات كبيرة ، عندما لا توجد عينات على الإطلاق ، وأيضًا عندما نحتاج إلى نظام يكون مخصصًا بالكامل لشخص معين. علاوة على ذلك ، فإن هذه الشبكات العصبية بسيطة للغاية ، مما يسمح باستخدامها لتعليم الآخرين وفهم آثار الشبكات العصبية.
في السابق ، كان من المعتاد دائمًا القول أن الشبكة العصبية هي "صندوق أسود" ، ولا يمكن تفسير كل ما بداخلها بطريقة يمكن الوصول إليها. الآن ، بعد وجود الهيكل المعروض أعلاه ، من الممكن بناء شبكة عصبية لن تكون فعالة فحسب ، بل يمكن الوصول إليها أيضًا لفهم الآلية المحيطة بها.