В связи с очередным бурным обсуждением нейронных сетей и противопоставления их «алогоритмическому» подходу к решению задач решил попытатся внести свою лепту в эту дискуссию приведя несколько существенных аргументов в защиту нейронных сетей.
Итак, приступим.
Одним из неоспоримых преимуществ нейронных сетей есть способность получать результат на основе большого числа входных параметров. Аналитическое, а значит и алгоритмическое, решение задач с достаточно большим числом неравнозначных входных параметров становится слишком сложным. Для нейронных же сетей дело обстоит наоборот — чем больше входных данных тем точнее ответ можно получить.
Нейронные сети, в отличии от фиксированных алгоритмов, легко могут быть сделанны самообучаемыми в процессе работы. В случае когда каждый нейрон сети может генерировать вход для каждого другого нейрона при обучении может изменятся и топология самой сети. Отсутствие связи будет представлятся нулевым значением весового коефициента выхода определённого нейрона. Изменение же коефициента от нулевого значение фактически будет означать создание новой связи.
Алгоритм же по определению является фиксированной конечной последовательностью действий. Если же решение на основе алгоритма будет включать в себя какие-либо средства для самообучения — например набор вариируемых коефициентов для вычисления какой-либо функции или что-либо в этом роде — это, на мой взгляд, будет фактически копированием некоторых возможностей нейросетей.
С перспективами алгоритмов всё достаточно ясно. Сложные задачи с большим числом входных данных и отсутствием аналитических моделей решения, такие как например задачи классификации, врдяли станут более подвластными алгоритмическому подходу в будущем.
Нейронные сети же всё еще активно развиваются. Не так давно для решения проблеммы затрат времени на обучение нейронных сетей back-propagation методом был разработан метод функционала на множестве табличных функций (текст на укр. языке — на других языках описания этого метода почему-то не нашёл, возможно неправильно перевёд его название).
Недоверие к нейронным сетям во многом вызвано отсутствием значимых практических применений «здесь и сейчас». Но это не означает невозможности применения нейронных сетей для сложных практических задач в будущем.
Недоверие к этому направлению науки уже возникло однажды благодаря изданию Марвином Мински и Сеймуром Папертом тома «Персептроны», в котором доказывалось что персептрон принципиально не способен решать некоторые задачи такие как вычисление XOR. Издание этой книги сильно охладило интерес к нейронным сетям в своё время, но позже было доказано что выводы сделанные в ней ошибочны, и в частности реализация XOR не проблемма для персептрона. Таким образом недоверие к этой области оказалось вызванным всего лишь недальновидностью и ошибочной трактовкой критиками.
Итак, приступим.
Число входных параметров
Одним из неоспоримых преимуществ нейронных сетей есть способность получать результат на основе большого числа входных параметров. Аналитическое, а значит и алгоритмическое, решение задач с достаточно большим числом неравнозначных входных параметров становится слишком сложным. Для нейронных же сетей дело обстоит наоборот — чем больше входных данных тем точнее ответ можно получить.
Способность к самообучению в процессе работы
Нейронные сети, в отличии от фиксированных алгоритмов, легко могут быть сделанны самообучаемыми в процессе работы. В случае когда каждый нейрон сети может генерировать вход для каждого другого нейрона при обучении может изменятся и топология самой сети. Отсутствие связи будет представлятся нулевым значением весового коефициента выхода определённого нейрона. Изменение же коефициента от нулевого значение фактически будет означать создание новой связи.
Алгоритм же по определению является фиксированной конечной последовательностью действий. Если же решение на основе алгоритма будет включать в себя какие-либо средства для самообучения — например набор вариируемых коефициентов для вычисления какой-либо функции или что-либо в этом роде — это, на мой взгляд, будет фактически копированием некоторых возможностей нейросетей.
Перспективы
С перспективами алгоритмов всё достаточно ясно. Сложные задачи с большим числом входных данных и отсутствием аналитических моделей решения, такие как например задачи классификации, врдяли станут более подвластными алгоритмическому подходу в будущем.
Нейронные сети же всё еще активно развиваются. Не так давно для решения проблеммы затрат времени на обучение нейронных сетей back-propagation методом был разработан метод функционала на множестве табличных функций (текст на укр. языке — на других языках описания этого метода почему-то не нашёл, возможно неправильно перевёд его название).
Недоверие
Недоверие к нейронным сетям во многом вызвано отсутствием значимых практических применений «здесь и сейчас». Но это не означает невозможности применения нейронных сетей для сложных практических задач в будущем.
Недоверие к этому направлению науки уже возникло однажды благодаря изданию Марвином Мински и Сеймуром Папертом тома «Персептроны», в котором доказывалось что персептрон принципиально не способен решать некоторые задачи такие как вычисление XOR. Издание этой книги сильно охладило интерес к нейронным сетям в своё время, но позже было доказано что выводы сделанные в ней ошибочны, и в частности реализация XOR не проблемма для персептрона. Таким образом недоверие к этой области оказалось вызванным всего лишь недальновидностью и ошибочной трактовкой критиками.
