(Cet article n'explique pas les concepts de base de la théorie des réseaux de neurones. Pour ceux qui ne les connaissent pas, avant de lire je vous conseille de lire pour exclure d'autres erreurs.)
L'essence de ce texte est de
vous familiariser avec certains types de réseaux de neurones qui sont couverts dans des étendues russophones, pas si souvent, sinon pas du tout, extrêmement rarement.
- Les réseaux de neurones basés sur des règles (réseaux de neurones basés sur des règles, ci-après RBNN ) sont des réseaux de neurones basés sur des règles de base (telles que l'implication normale), grâce auxquels, en gros, nous obtenons un système expert prêt à l'emploi, cependant, maintenant nous sommes déjà en train de nous entraîner.
- Les réseaux de neurones logiques pourraient être attribués à un type complètement différent, mais je propose de les attribuer à l'une des variétés de RBNN. Le concept de réseaux neuronaux logiques a été décrit pour la première fois dans les travaux de A. Barsky - «Réseaux neuronaux logiques».
L'idée des réseaux neuronaux logiques est d'établir sur chaque neurone de la couche cachée une des opérations logiques: conjonction ou disjonction.
Illustration tirée du livre «Logical Neural Networks», p. 241
Pourquoi ce type de réseau de neurones mérite-t-il d'être référé au RBNN? Parce que les opérations logiques décrites ci-dessus sont des règles particulières qui expriment les relations entre les paramètres d'entrée.
Les concepts de «règles initiales» décrits ci-dessus peuvent être définis plus simplement - une base de connaissances. Pour ceux qui connaissent bien les systèmes de contrôle Fuzzy, cette définition ne sera pas nouvelle.
La base de connaissances est le lieu où se trouvent toutes nos règles sous la forme des expressions «SI X1 ET \ OU X2 ALORS Y», etc. Pourquoi ai-je mentionné des systèmes flous? Parce que la création du régulateur flou peut être représentée comme la première étape de la création de RBNN, également parce qu'ils m'ont incité à l'idée de transformer les réseaux de neurones ordinaires en quelque chose de similaire.
Supposons que nous disposions d'une base de connaissances et d'un petit système expert. Sous forme de graphiques, cela pourrait s'exprimer comme suit:
Source: www.lund.irf.se/HeliosHome/rulebased.html
Maintenant, la question est de savoir comment faire un réseau neuronal d'apprentissage à partir de ce système strict?
Tout d'abord, un point important est l'introduction d'un poids dans une structure similaire, sur chaque bord. Chaque poids reflétera la probabilité de la relation de l'un ou l'autre élément à un groupe d'autres (par exemple, le paramètre d'entrée A au premier neurone de la couche cachée, respectivement, à l'implication dans le groupe AB), ou à la réponse X, Y, Z, etc.
Peut-être que le lecteur ne comprendra pas complètement où ces réseaux de neurones peuvent être utiles - dans ce cas, je donnerai un exemple assez simple:
Supposons que nous ne disposions pas d'un large échantillon de données, mais seulement d'une «opinion
généralisée ». Nous voulons créer un réseau de neurones qui donnerait un menu individuel à une personne.
Supposons que nous ne sachions rien des goûts et des préférences de cet utilisateur, mais vous devez toujours commencer quelque part. Nous faisons un schéma
généralisé d'un menu typique:
- petit déjeuner omelette
- soupe soupe
- dîner de bouillie
En conséquence, dans les premiers jours, une personne reçoit exactement un tel menu, mais avec la «familiarité» du réseau neuronal avec les préférences de l'utilisateur, le poids reliant le petit-déjeuner et l'omelette devient plus petit, et le poids reliant le petit-déjeuner et la bouillie augmente. En conséquence, maintenant, le réseau neuronal est «clair» ce que l'utilisateur préfère exactement pour l'un ou l'autre repas (dans ce cas, il s'avère que notre utilisateur aime la bouillie pour le petit déjeuner plutôt que les œufs brouillés). Au fil du temps, les préférences d'une personne changeront peut-être et le réseau neuronal s'adaptera à nouveau à elles.
Alors. Au minimum, les RBNN peuvent être très utiles dans les cas où il n'y a pas de grands échantillons, quand il n'y en a pas du tout, et aussi quand nous avons besoin d'un système qui serait entièrement adapté à une personne spécifique. De plus, de tels réseaux de neurones sont assez simples, ce qui leur permet d'être utilisés pour éduquer d'autres personnes et comprendre les effets des réseaux de neurones.
Auparavant, il était toujours d'usage de dire que le réseau neuronal est une «boîte noire», et tout ce qui s'y trouve ne peut pas être expliqué de manière accessible. Maintenant, ayant la structure présentée ci-dessus, il est possible de construire un réseau neuronal qui serait non seulement efficace, mais également accessible pour comprendre le mécanisme qui l'entoure.