Neural Networks for klassifisering

Nevrale nett er informasjonsbehandling paradigmer som bruker et nettverk av enkle elementer. Nevrale nett er inspirert av observasjoner av menneskelige hjerne. I motsetning til digitale datamaskiner, nevrale nett ikke er programmert, og de lærer av erfaring. En vanlig bruk av nevrale nett klassifiserer mønstre. En nevralt nett som har vist seg tusenvis av bilder av både kreft og ikke-kreftceller kan forutsi nøyaktig hvis et nytt bilde av en celle representerer en kreftcelle eller ikke.

Perceptrons

Perceptrons ble oppfunnet av Frank Rosenblatt i slutten av 1950-tallet. De er fortsatt brukes for enkle klassifiseringsproblemer fordi de er enkle å bygge i maskinvare og lett å programmere i programvaren. Perceptrons bruke en "overvåket læring" paradigme. Den perceptron er vist et eksempel og bedt om å klassifisere den. Hvis perceptron klassifiserer eksempel på riktig måte, er ingen justeringer gjort. Dersom perceptron klassifiserer eksempel feilaktig de "vekter" assosiert med hvert element i den perceptron gradvis forskjøvet slik at perceptron klassifiserer eksempel litt bedre. For eksempel, hvis en negativ avlesning indikerer et uriktig eksempel, og en positiv avlesning indikerer et godt eksempel vektene vil bli justert slik at utgangssignalet er litt mer positiv når et godt eksempel er klassifisert feil. Etter mye skiftende, legger den perceptron ned i en tilstand hvor det vil klassifisere hvert mønster riktig.

forover Nets

Forover garn, også kjent som backpropagation garn, er utdannet som perceptrons med veiledet læring. Forskjellen er at oppdatering av vektene i en fremførende nett er mye mer komplisert. Forover garn er sjelden bygget i maskinvare, og de er vanskelige og tidkrevende å program i programvare. Likevel, de er de mest vanlig ansatt, og mest intenst studert av klassifiserings nevrale nett. Grunnen til sin popularitet er at de kan gjøre finere og mer komplekse klassifikasjoner. Som de fleste nevrale nett, kan fôr termin garn "generalisere." Når de er trent et tilstrekkelig antall ganger på et representativt sett av eksempler, kan de riktig klassifisere nye eksempler de aldri har sett før.

Kohonen Nets

Den fordelen at alle nevrale nett har over dataprogrammer er at de er trent, ikke programmert. Dette gjør det mulig å løse klasse problemer som du ikke har en algoritme. Vis den neural net et stort utvalg av gode og dårlige eksempler. Kohonen bruk "uten tilsyn læring" for å klassifisere en strøm av eksempler i en gruppe av klynger. Etter trening kan en Kohonen netto klassifisere en ny, ikke sett tidligere, blant annet som hører til en av klyngene. Kohonen garn er også kjent som selvorganiserende kart (SOM).