Нейронные сети на Python

Введение 3
1. Общее описание нейронных сетей. 4
1.1 История нейронных сетей 4
1.2 Что такое нейронные сети. 8
1.3 Методы обучения нейронных сетей. 10
2. Практическая часть 17
Заключение 29
Список использованной литературы 30

Весь текст будет доступен после покупки

Сейчас нейронные сети используются в нескольких приложениях. Фундаментальная идея, лежащая в основе природы нейронных сетей, заключается в том, что если она работает в природе, она должна быть способна работать в компьютерах. Однако будущее нейронных сетей заключается в разработке аппаратного обеспечения. Подобно продвинутым машинам для игры в шахматы, таким как Deep Blue, быстрые и эффективные нейронные сети зависят от аппаратного обеспечения, определенного для их возможного использования. Нейронные сети используются на прикладном уровне повсеместно, будь то беспилотные средства перемещения, алгоритмы поиска браузеров, компьютерное зрение, распознавание образов, перечислять можно очень долго. В любой науке также можно найти применение для нейронных сетей.
Цель курсовой работы заключается в изучении принципов построения и обучения нейронных сетей.
Объект исследования – возможности разработки нейронных сетей на языке программирования Python.

Весь текст будет доступен после покупки

1. Общее описание нейронных сетей.
1.1 История нейронных сетей
В 1943 году нейрофизиолог Уоррен Маккалох и математик Уолтер Питтс написали статью о том, как могут работать нейроны. Чтобы описать, как могут работать нейроны в мозге, они смоделировали простую нейронную сеть с использованием электрических цепей. В 1954 году Деннис Габор предложил идею нелинейного адаптивного фильтра в работе «Communication theory and cybernetics» и создал с командой единомышленников машину, обучающуюся на примере стохастического процесса.
В 1949 году Дональд Хебб написал книгу "Организация поведения", в которой указал на тот факт, что нейронные пути укрепляются каждый раз, когда они используются, - концепция, принципиально важная для способов обучения людей. Если два нерва срабатывают одновременно, утверждал он, связь между ними усиливается.
По мере того как в 1950-х годах компьютеры становились все более совершенными, наконец-то стало возможным смоделировать гипотетическую нейронную сеть. Первый шаг к этому был сделан Натаниэлем Рочестером из IBM research laboratories. К несчастью для него, первая попытка сделать это провалилась.
Отдельной задачей в деле нейронных сетей было создание надежных сетей из нейронов, которые сами по себе надежными компонентами не считаются. В 1956 году фон Нейман решил эту задачу, применив идею избыточности. Распределенное избыточное представление показывало, как большая группа элементов может в совокупности представлять одно понятие при соответствующем повышением робастности и степени параллелизма.
В 1959 году Бернард Уидроу и Марсиан Хофф из Стэнфорда разработали модели под названием "ADALINE" и "MADALINE". В типичном проявлении любви Стэнфорда к аббревиатурам названия происходят от использования нескольких адаптивных линейных элементов. ADALINE был разработан для распознавания двоичных шаблонов, так что, если он считывал потоковые биты с телефонной линии, он мог предсказать следующий бит. MADALINE была первой нейронной сетью, примененной к реальной задаче, использующей адаптивный фильтр, устраняющий эхо-сигналы на телефонных линиях. Хотя эта система такая же древняя, как системы управления воздушным движением, например, системы управления воздушным движением, она все еще используется в коммерческих целях.
В 1962 году Уидоу и Хофф разработали процедуру обучения, которая проверяет значение до того, как вес его скорректирует (т.е. 0 или 1) в соответствии с правилом. Он основан на идее, что, хотя один активный персептрон может иметь большую ошибку, можно настроить значения веса, чтобы распределить его по сети или, по крайней мере, по соседним персептронам. Применение этого правила по-прежнему приводит к ошибке, если строка перед весом равна 0, хотя в конечном итоге это исправится само собой. Если ошибка сохраняется так, что вся она распределяется по всем весам, то ошибка устраняется.В 1980-е годы развитие направления продолжилось. Новый принцип самоорганизации, «Теория адаптивного резонанса», был открыт Гроссбергом в 1980 году.
Несмотря на более поздний успех нейронной сети, традиционная архитектура фон Неймана захватила вычислительную сцену, и нейронные исследования остались позади. По иронии судьбы, сам Джон фон Нейман предложил имитировать нейронные функции с помощью телеграфных реле или вакуумных ламп.

Весь текст будет доступен после покупки

1. Глубокое обучение на Python. — СПб.: Питер, 2018. — 400 с.: ил. — (Серия «Библиотека программиста»).. Франсуа Шолле (Deep Learning with Python - Francois Chollet);
2. Нейронные сети: полный курс, 2-е издание.: Пер. с англ – М. : Издательский дом “Вильямс”, 2006 – 1004 с. Зайкин, Саймон ;
3. Васенков Данила Валентинович. МЕТОДЫ ОБУЧЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ, 29с;
4. Neural Networks history: the 1940’s to the 1970’s;
5. Neural Networks History: The 1980's to the present;
6. SKYNET TODAY: A Brief History of Neural Nets and Deep Learning;

Весь текст будет доступен после покупки