neuronove_site_modely_neuronu_topologie_siti_metoda_backpropagation [Wiki GIS/KGI UPOL]

This is an old revision of the document!

po propojení neuronů mezi sebou vzniká neuronová síť
její předností je schopnost učit se, tedy zapamatovat si kombinace, které vedly k požadovanému výstupu a u nových vstupů se potom obracet na svoji paměť a na základě zkušeností odhadovat nový výsledek
generalizace (zevšeobecňování) = přiměřená dovednost správně zareagovat i na vstupy, které nebyly součástí trénovacích dat, a vyvodit z n ich obecné závěry o datech

učení s učitelem
- pro jednotlivé tréninkové vstupy je znám požadovaný výstup a na základě rozdílu (chyby) mezi požadovaným a skutečným výstupem algoritmus provádí korekci vah, čímž dochází k adaptaci sítě
- feed-forward-backpropagation
  - nejpoužívanější metoda učení s učitelem v případě vícevrstnaté sítě
  1. Feed-forward: výpočet odezvy sítě na základě prediktorů
  2. backpropagation: zjištění predikční chyby a změna hodnot vah k jejímu odstranění
učení bez učitele
- nemá žádné vnější kritérium správnosti a dochází pouze k hledání vzorků se společnými vlastnostmi.

malý počet neuronů v síti → slabší schopnost vystihnout a popsat závislosti v trénovacích datech
přeučení = příliš velký počet neuronů v síti → slabší schopnost generalizace (vystihnutí správného výsledku na nových datech)
taky při velkém počtu vstupních parametrů a relativně málo pozorování