Нейронные сети. Перцептрон

Перцептрон - это мат. модель, которая в 1957 году была предложена Розенблаттом, а тремя годами позже реализована на ЭВМ Марк-1, после чего Марк-1 стал первым нейро-компьютером. Хотя перцептрон и является простой моделью, он способен решать ряд сложных задач, а так же способен к обучению.
С ростом популярности перцептрона, была выпущена книга Паперта и Минского, в которой они высказывали крайне скептические взгляды на развитие нейронных сетей.

Нейронные сети. Кластеризация

Данная статья поможет Вам найти ответы на актуальные вопросы по кластеризации с помощью нейронных сетей. Кластеризация - это вид разбиения классификация входящих сигналов, при которой заранее неизвестны признаки и количество сигналов. При завершении обучения, сеть должна определять к какому именно классу относится сигнал. Так же сеть может показать что сигнал не соответствует какому-либо классу.

Нейронные сети. Распознавание образов

Под образами обычно понимаются такие объекты, как текст, изображение или звуки. Обучение сети состоит в том, чтобы научить сеть правильно классифицировать образы, с помощью исходных данных (образ + ответ). Сам образец должен быть представлен в виде вектора значений, и совокупность признаков должны указывать на определённый класс.

Обучение нейронных сетей

Одним из самым интересных свойств нейронов является способность к обучению. Но обучение процесс не простой, и нужен очень глубокий анализ для определения правильности обучения.
Алгоритмы обучение искусственной нейронной сети делятся на обучение с учителем, и без учителя. Обучение с учителем заключается в том, что вместе с входными сигналами подаются и выходные, после чего сеть рассчитывает свои выходные сигналы, и с помощью сравнения правильных выходов со своими происходит корректировка весов.

Биологический прототип нейронных сетей

Появление такого направление, как нейронные сети было вдохновлено биологией. Хотя алгоритмы сетей и задумывались как подобие человеческого мышления, на практике они очень сильно отличаются. Наша нервная система состоит из частиц, которые называются нейронами. Нейроны соединены друг с другом особым видом связей. Сам нейрон состоит из тела клетки, синапса, аксона и дендритов. Дендриты - это соединения клеток, которые принимают сигналы от других нейронов. Точки приёмов сигнала называются синапсами.

Абстрактные классы

Абстрактный класс - это такой базовый класс, который используется только при наследовании. Такой класс содержит в себе абстрактные свойства и методы. Некоторые языки запрещают создание объекта абстрактного класса, а другие, например Delphi - разрешают. Но при обращении к абстрактному методу будет вызвано исключение.

Наследование

Наследование - это специальный механизм ООП, с помощью которого можно создать класс, на основе родительского, то есть все свойства, методы и события передаются новому классу.
Родительский класс, от которого происходит наследование, называется базовым, а классы которые от него происходят - потомками.

SQLite

SQLite - это лёгкая, мобильная реляционная БД. Исходный код SQLite открыт.
SQLite является встраиваемой БД, т.е. для своей работы она не использует клиент-серверную архитектуру, и не является отдельно созданным процессом, а представлена в виде библиотеки, которая превращается в один из модулей программы. Для обмена данными используется функционал, содержащийся в библиотеке. Файл базы данных хранится на том же компьютере, на котором она используется.

На YouTube пользователи сами выберут рекламу

Популярный сервис YouTube изобретает новые способы показа рекламы своим пользователям. Об этом стало известно от западных блогеров. Пользователи сами будут выбирать какую рекламу они хотят посмотреть. На выбор будет предложено 3 рекламных ролика, 1 придётся посмотреть либо просто пропустить показ рекламы.

Google нужны таланты

Еще в сентябре компания Google заявляла, что готова тратить дополнительные деньги на поиск новых сотрудников. На данный момент уже открыто более двух тысяч вакансий (это в шесть раз больше, чем в предыдущем году).


Страницы: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36