Umělé neuronové sítě — teorie

Zdroj: raw/ipmrk/nn-teorie.md | Kurz: IpmrK

Shrnutí

Přednáška pokrývá kompletní teoretický základ umělých neuronových sítí: od biologické inspirace přes model perceptronu, váhy, bias, aktivační funkce až po algoritmus backpropagation.

Hlavní body

1. Biologická inspirace — neuron přijímá signály dendrity, zpracovává v somě, vysílá axonem. Umělý neuron je zjednodušená matematická verze.
2. Perceptron — vstupy i₁..iₙ × váhy w₁..wₙ → součet Σ + bias → aktivační funkce → výstup. Matematicky: a = Σ(iⱼ·wⱼ) + b, m = f(a).
3. Váhy — w < 1 zeslabení, w = 1 zachování, w > 1 zesílení. Záporné váhy tlumí aktivaci. Váhy nesou naučenou znalost modelu.
4. Aktivační funkce:
   • Lineární (pure line): m = a — nedává nelinearitu
   • Logistická sigmoid (logsig): m = 1/(1+e⁻ᵃ) — výstup (0,1)
   • Hyperbolický tangens (tansig): m = (eᵃ−e⁻ᵃ)/(eᵃ+e⁻ᵃ) — výstup (−1,1)
5. Klasifikace — neuron jako binární klasifikátor, rozhodovací hranice v prostoru vstupů.
6. Backpropagation — dopředný průchod → výpočet chyby → zpětné šíření chyby → úprava vah. Iterativní proces.

Zkouškové shrnutí

Umělá neuronová síť je soustava neuronů, které převádějí vážené vstupy přes aktivační funkce na výstupy a pomocí backpropagation se z dat učí takové váhy, aby minimalizovaly chybu predikce nebo klasifikace.

Souvislosti

• Umělé neuronové sítě — hlavní téma
• Neuronové sítě — výpočet — ruční výpočet učení
• Neuronové sítě — aplikace — praktické využití a ANFIS
• Backpropagation — algoritmus učení