Umělé neuronové sítě
Umělé neuronové sítě
Výpočetní model inspirovaný biologickým nervovým systémem. Soustava propojených neuronů, které se z dat učí rozpoznávat vzory, klasifikovat a predikovat.
Stavební kameny
Perceptron (umělý neuron)
- Vstupy i₁..iₙ × váhy w₁..wₙ → vážený součet + bias → aktivační funkce → výstup
- Matematicky: a = Σ(iⱼ·wⱼ) + b, výstup m = f(a)
- Váhy nesou naučenou znalost (kladné posilují, záporné tlumí)
- Bias posouvá rozhodovací hranici
Aktivační funkce
| Funkce | Vzorec | Výstup | Použití |
|---|---|---|---|
| Lineární | m = a | ℝ | Jednoduchý, bez nelinearity |
| Logistický sigmoid | m = 1/(1+e⁻ᵃ) | (0, 1) | Pravděpodobnost, binární klasifikace |
| Hyperbolický tangens | m = tanh(a) | (−1, 1) | Kladné i záporné aktivace |
Vícevrstvá síť
- Vstupní vrstva — přijímá data
- Skryté vrstvy — vytvářejí vnitřní reprezentace, zachycují nelinearitu
- Výstupní vrstva — konečné rozhodnutí nebo predikce
- Deep learning — mnoho vrstev a parametrů, pro složité úlohy s velkým objemem dat
Učení
Backpropagation
- Dopředný průchod — výpočet výstupu
- Výpočet chyby (e = cíl − výstup)
- Zpětné šíření chyby přes vrstvy
- Úprava vah ve směru snížení chyby
- Opakování (iterativní proces)
Praktický postup
- Připravit data (matice vstupů a výstupů)
- Zvolit architekturu (počet vrstev, neuronů, aktivační funkce)
- Rozdělit data na trénovací/testovací (např. 75/25 %)
- Trénovat a sledovat průběh chyby
- Kritéria ukončení: min chyba, max iterací, max čas
Kompromis jednoduchost vs. složitost
- Podučený model — příliš jednoduchý, vysoká chyba
- Přeučený model — naučí se i šum, nefunguje na nových datech
Aplikace
- Hodnocení bonity klienta (scoring)
- Oceňování (nemovitosti, auta, produkty)
- Vyhodnocení investic a rizika
- Detekce podvodů (praní peněz, daňové anomálie)
- Rozpoznávání obrazu, písma, zvuku, překlad
- Predikce časových řad (akcie, měny, komodity)
- Diagnostika nemocí, autonomní systémy
Propojení s dalšími tématy
- ANFIS — hybridní systém: fuzzy struktura + učení neuronové sítě
- Fuzzy logika — partner v ANFIS
- Genetické algoritmy — mohou optimalizovat architekturu sítě
Kontrolní otázky ke zkoušce
- Popište metodu a vysvětlete princip neuronových sítí.
- Popište realizaci a výpočet neuronových sítí na počítači.
- Jak lze využít neuronových sítí v praxi?
- Kdy je vhodné použít neuronových sítí?
- Jaký je správný postup kroků při výpočtu pomocí neuronových sítí?
- Jaké vrstvy mají neuronové sítě?
- Jaké jsou typy přenosových funkcí?
Pojmy k zapamatování
Neuronová síť, učení, testování, vstupní matice, přenosová funkce.
Zdroje v kurzu IpmrK
- Neuronové sítě — teorie
- Neuronové sítě — výpočet
- Neuronové sítě — aplikace
- Kniha — shrnutí kapitoly, kontrolní otázky, pojmy