WEBVTT

00:00:11.029 --> 00:00:13.068
Здравствуйте, уважаемые студенты.

00:00:13.668 --> 00:00:19.945
Мы продолжаем знакомиться с искусственным
интеллектом, с системами

00:00:20.105 --> 00:00:24.822
искусственного интеллекта, с основными
направлениями развития систем

00:00:24.982 --> 00:00:27.141
искусственного интеллекта и применением

00:00:28.123 --> 00:00:33.003
данных систем в различных областях
деятельности.

00:00:34.163 --> 00:00:39.802
Напомню, что первой работой, которая
заложила вообще теоретический фундамент

00:00:40.202 --> 00:00:45.601
для создания интеллектуальных устройств,
моделирующих человеческий мозг на самом

00:00:45.681 --> 00:00:46.001
низком

00:00:46.758 --> 00:00:53.237
На таком структурном уровне принято
считать опубликованную в 1943 году

00:00:53.477 --> 00:00:59.796
статью Уорона Маккалака и Вальтера Питца
«Идеи логических вычислений и нервной

00:00:59.916 --> 00:01:04.795
деятельности». Её авторы, а это
американские учёные, математики,

00:01:04.835 --> 00:01:05.995
нейрофизиологи.

00:01:06.778 --> 00:01:11.501
Э-э, поэтому на основе этой работы
общепризнанно считаются основателями

00:01:12.102 --> 00:01:15.744
такого направления, которое называется
нейроинформатика.

00:01:16.065 --> 00:01:22.149
Именно они предложили математическую хмм
модель нейрона мозга человека.

00:01:22.925 --> 00:01:28.322
Назвав её математическим или модельным
нейроном.

00:01:29.481 --> 00:01:36.197
Вот на экране мы видим с вами предлагаемую
модель математического

00:01:36.557 --> 00:01:39.275
нейрона, которая в литературе

00:01:40.574 --> 00:01:45.211
Называется «Математический нейрон
Майкалока и Пицца».

00:01:45.851 --> 00:01:47.330
Что они предложили?

00:01:47.970 --> 00:01:54.446
Они предложили изображать нейрон в виде
кружочка, как мы видим, и

00:01:55.245 --> 00:01:56.125
стрелочки.

00:01:56.751 --> 00:02:00.309
Какое-то количество стрелочек является
входами.

00:02:00.588 --> 00:02:04.906
Вот у них есть направление, а это X1, X2,
и так далее, XG.

00:02:05.066 --> 00:02:09.463
И одна стрелочка является выходом.

00:02:12.101 --> 00:02:15.379
Входы математического нейрона.

00:02:17.417 --> 00:02:21.418
Ну, принимают определённые какие-то
значения, да?

00:02:24.659 --> 00:02:30.341
Далее модель предполагает, что данные
значения

00:02:30.861 --> 00:02:35.182
суммируются, при этом каждый входной
сигнал, то есть каждое значение

00:02:35.867 --> 00:02:38.907
Умножается на некоторый весовой
коэффициент.

00:02:39.107 --> 00:02:41.907
Обратите внимание, какую формулу мы имеем.

00:02:42.107 --> 00:02:49.066
С равня сумма J от единицы до некоторого J
большое, В житое

00:02:49.346 --> 00:02:51.066
X житое.

00:02:52.105 --> 00:02:53.145
Вот такая формула.

00:02:55.026 --> 00:02:59.023
Когда данная операция суммирования

00:03:00.821 --> 00:03:06.736
осуществляется, математически нейрон,
согласно предложенной Макаллаком и Питцем

00:03:06.856 --> 00:03:11.612
модели, формирует как раз выходной сигнал
Y.

00:03:11.772 --> 00:03:13.490
Вот он здесь у нас обозначен.

00:03:13.977 --> 00:03:17.501
На рисунке по следующему правилу.

00:03:18.862 --> 00:03:25.228
Игрек равен единице, если полученное
значение S больше, равно некого

00:03:25.589 --> 00:03:31.154
некого значения те и ноль, если S меньше
данного значения тета.

00:03:32.105 --> 00:03:38.951
В данной ситуации это называется порогом
чувствительности нейрона.

00:03:42.594 --> 00:03:48.198
Таким образом, обратите внимание, что
математический нейрон, равно как и его

00:03:48.942 --> 00:03:54.580
Биологический прототип, реальный нейрон
мозга может существовать в двух

00:03:54.700 --> 00:03:59.059
состояниях: возбуждённом и невозбуждённом,
да?

00:03:59.538 --> 00:04:06.416
Мы считаем, что если игрек равен единице,
это состояние возбуждённое, если игрек

00:04:06.456 --> 00:04:09.815
равен нулю, то состояние невозбуждённое.

00:04:11.852 --> 00:04:18.366
То есть, если полученное S меньше вот этой
пороговой величины

00:04:18.526 --> 00:04:22.642
тета, то математически нейрон,
соответственно, не возбуждён.

00:04:22.842 --> 00:04:26.279
То есть его выходной сигнал равен нулю.

00:04:26.718 --> 00:04:28.317
Если же входные сигналы

00:04:29.410 --> 00:04:34.009
Достаточно интенсивны вот эти X1, X2 и так
далее.

00:04:34.129 --> 00:04:39.648
Их сумма достигает порога чувствительности
тета, то нейрон, считаем, переходит в

00:04:39.728 --> 00:04:46.686
возбуждённое состояние и на его выходе
формируется сигнал, как мы видим из этой

00:04:46.766 --> 00:04:47.406
формулы.

00:04:48.190 --> 00:04:51.352
Равно единице. Игрек равно единице.

00:04:52.152 --> 00:04:56.074
Вообще, весовые коэффициенты вот в этой
формуле.

00:04:56.114 --> 00:04:57.795
Давайте ещё раз на неё посмотрим.

00:04:58.235 --> 00:05:04.959
Весовые коэффициенты в этой формуле имеют
определённый и физический

00:05:05.039 --> 00:05:05.479
смысл.

00:05:06.280 --> 00:05:12.758
Они моделируют, имитируют
электропроводности нервных

00:05:12.878 --> 00:05:19.515
волокон, э-э то есть тех элементов,
которые биологи называют

00:05:19.715 --> 00:05:24.193
силами межнейронных синаптических связей
или синаптическими весами.

00:05:24.826 --> 00:05:30.829
Чем эти силы больше, тем большей величины
сигнала попадает в нейрон, и тем больше

00:05:31.909 --> 00:05:35.630
вероятность его перехода в возбуждённое
состояние.

00:05:36.271 --> 00:05:39.592
Вообще биологическая наука

00:05:42.049 --> 00:05:46.450
Придаёт вот силам синаптических связей
очень важное значение.

00:05:47.650 --> 00:05:53.890
Предполагается, что, собственно, именно с
их помощью человеческий мозг кодирует всю

00:05:53.970 --> 00:05:56.811
имеющуюся у него информацию.

00:05:57.531 --> 00:06:01.211
И таким образом, в чём сила данной модели?

00:06:01.603 --> 00:06:08.440
Она в том, что эээ и как бы модель, вот
искусственный мозг в нейронных сетях,

00:06:08.800 --> 00:06:15.717
соответственно, он также э-э моделирует

00:06:15.917 --> 00:06:16.197
вот это

00:06:17.965 --> 00:06:23.726
Появление информации, её обработку, её
порождение.

00:06:24.126 --> 00:06:28.566
Таким образом, вся информация тоже
кодируется в виде некоторого множества

00:06:28.766 --> 00:06:34.647
чисел, которые и характеризуют силы
межнейронных синактических связей.

00:06:43.491 --> 00:06:49.892
Вот эта сама по себе функция Y, да, равная
в данном случае единице

00:06:50.692 --> 00:06:57.212
или нулю, она называется

00:06:58.213 --> 00:07:00.573
активационной функцией нейрона.

00:07:01.701 --> 00:07:06.260
Можно, э-э, представить её графическое
изображение.

00:07:08.460 --> 00:07:14.939
Вот обратите внимание, можно представить
её графическое изображение вот на данном

00:07:15.139 --> 00:07:18.259
рисунке, да? Своего рода

00:07:19.059 --> 00:07:25.704
Ступенька. И, соответственно, эта функция,
ну, часто называется ступенчатой, да?

00:07:25.784 --> 00:07:27.145
Функция-ступенька.

00:07:27.546 --> 00:07:33.190
И таким образом, математически нейрон
представляет собой пороговый элемент с

00:07:33.310 --> 00:07:34.711
несколькими входами и

00:07:36.400 --> 00:07:38.438
Соответственно, одним выходом.

00:07:38.838 --> 00:07:45.510
И каждый математический нейрон имеет своё
определённое значение порога

00:07:45.670 --> 00:07:46.909
чувствительности.

00:07:50.944 --> 00:07:52.782
Обратим внимание на рисунки.

00:07:53.231 --> 00:07:59.944
Значение Y равно нулю, выделенно жирным до
того периода,

00:08:00.303 --> 00:08:03.420
когда S не станет равным Тетто.

00:08:03.660 --> 00:08:08.855
Как только S становится равным Тетто,
обратите внимание, значение

00:08:09.830 --> 00:08:15.274
Игрек переходит на новую ступеньку и
применительно к нашей модели становится

00:08:15.475 --> 00:08:16.716
равным единице.

00:08:17.036 --> 00:08:23.601
Потому, э-э, потому данная функция и
называется ступенчатой.

00:08:25.443 --> 00:08:28.205
Маккала Киц в указанной статье

00:08:30.006 --> 00:08:36.001
Что интересно, показали, что с помощью
математического нейрона можно моделировать

00:08:36.401 --> 00:08:38.599
различные логические функции.

00:08:39.118 --> 00:08:45.593
Например, функцию логического умножения i,
часто обозначает НТ, функцию

00:08:45.673 --> 00:08:47.352
логического сложения.

00:08:48.598 --> 00:08:55.442
Или и функцию логического отрицания нет
или нот.

00:09:02.926 --> 00:09:06.328
Давайте вспомним, как у нас, э-э-э

00:09:08.892 --> 00:09:13.208
Выглядят таблицы истинности для данных
функций.

00:09:13.448 --> 00:09:15.925
Итак, логическая функция I.

00:09:16.405 --> 00:09:20.561
Два входа: X1 — X2, один выход — gк.

00:09:21.320 --> 00:09:24.117
Общие правило, когда у нас

00:09:25.385 --> 00:09:30.985
Является истинным значение функции X1 X2
или X1

00:09:31.585 --> 00:09:38.544
X2. Только в единственном случае, когда X1
и X2 равны единице, да?

00:09:38.824 --> 00:09:44.743
Во всех остальных случаях значение данной
логической функции равно нулю.

00:09:45.825 --> 00:09:49.343
Ну, из понятно, почему так происходит.

00:09:49.463 --> 00:09:53.900
Потому что фами данная функция имеет очень
большую жёсткость.

00:09:54.140 --> 00:09:57.378
Истина тогда, когда и то, и другое.

00:09:57.817 --> 00:10:01.855
Гораздо более мягкое значение имеет
логическая функция.

00:10:02.476 --> 00:10:09.352
Или, обратите внимание, она является
истинной, то есть Yeк

00:10:09.871 --> 00:10:16.707
является истинной, а грек — это X1 или X2,
или, иначе говоря, X1 OR.

00:10:16.906 --> 00:10:23.742
Эм-м-м, когда любое из входных значений
или X1, или X2 равны единице.

00:10:24.188 --> 00:10:29.469
Или, соответственно, они равны ммм
единицам, то есть истина вместе.

00:10:29.789 --> 00:10:36.509
И наконец, логическая функция нет — это
просто отрицание входа X.

00:10:36.589 --> 00:10:40.030
Да? Один вход, всего лишь X1, он же X.

00:10:40.270 --> 00:10:41.710
Если он равен нулю, то

00:10:42.622 --> 00:10:49.389
А-а, игрек равен единице, если икс равен
единице, то, соответственно, игрек

00:10:49.429 --> 00:10:55.955
равен нулю. А теперь давайте посмотрим,
глядя на эти таблицы, понимая значение

00:10:56.116 --> 00:10:57.597
данных логических функций

00:10:58.259 --> 00:11:04.376
Как работает эээ тот математический нейрон
Макало Кэпицца, о котором мы с вами

00:11:04.656 --> 00:11:08.774
говорили? Итак.

00:11:10.333 --> 00:11:14.811
Итак. Рассмотрим

00:11:15.670 --> 00:11:22.398
Почему данный нейрон успешно моделирует
функцию i и при каком значении тет?

00:11:22.918 --> 00:11:29.166
На рисунке слева как раз представлена
модель математического нейрона для

00:11:29.406 --> 00:11:31.528
моделирования данной функции.

00:11:32.121 --> 00:11:33.361
Обратите внимание.

00:11:33.481 --> 00:11:36.040
В данном случае весовые коэффициенты

00:11:39.799 --> 00:11:43.717
V1, A равны единице.

00:11:46.316 --> 00:11:47.796
Итак, два входа.

00:11:49.755 --> 00:11:52.476
Б1 равно единице, V2 равно единице.

00:11:52.997 --> 00:11:54.717
Смотрим на нашу формулу.

00:11:55.398 --> 00:11:59.999
Сумма 1x1 + 2.

00:12:00.360 --> 00:12:06.882
Когда получаем значение, э-э-э самое
максимальное — 2, только тогда

00:12:08.733 --> 00:12:14.942
Когда у нас на входе X1, и X2, то есть V1,
V2 в данном случае равны единице.

00:12:15.062 --> 00:12:15.983
Функция I.

00:12:17.504 --> 00:12:21.902
Но при этом, обратите внимание, те-та
должна быть равна двум.

00:12:22.182 --> 00:12:24.501
Почему? Давайте ещё раз посмотрим.

00:12:24.821 --> 00:12:31.778
Потому что значение функции Yoдице только
тогда, когда S больше, равно Тет-то.

00:12:32.320 --> 00:12:39.166
То есть, если Т равно двум, то полученное
значение и будет равно единице.

00:12:39.326 --> 00:12:44.850
Во всех остальных случаях, да, это
значение будет равно нулю.

00:12:44.930 --> 00:12:50.014
То есть в точности мы видим модель
логической функции.

00:12:50.607 --> 00:12:57.564
И. Давайте посмотрим применительно к
логической функции или что мы в данной

00:12:57.684 --> 00:13:04.322
ситуации имеем? Мы имеем примерно то же
самое, но тета в данной ситуации должна

00:13:04.442 --> 00:13:07.800
быть равна единице.

00:13:08.321 --> 00:13:14.564
Почему? Потому что чтобы логическая
функция Или была истинна, то есть игрек

00:13:14.644 --> 00:13:16.165
был равен единице.

00:13:16.485 --> 00:13:18.446
Смотрим на нашу формулу.

00:13:18.566 --> 00:13:21.808
Игрек должно быть равно единице во всех
случаях, когда

00:13:22.789 --> 00:13:29.716
Либо обе единицы на входе, либо одна
единица на входе, либо другая.

00:13:30.037 --> 00:13:33.961
Соответственно, здесь S должно быть
больше, равно единице.

00:13:34.081 --> 00:13:38.365
То есть получается, что это должно быть
равно единице.

00:13:38.646 --> 00:13:40.768
Ну и наконец, функция нет.

00:13:41.310 --> 00:13:47.272
Вот это, как нетрудно убедиться, должно
быть равно нулю а

00:13:48.312 --> 00:13:51.914
один, потому что единственный код
равняется минус единице.

00:13:52.554 --> 00:13:54.275
Равняется минус единице.

00:13:54.635 --> 00:13:57.356
Вот, казалось бы, такие простые вещи.

00:13:57.748 --> 00:14:03.352
Да, но для своего времени, для сороковых
годов, это было большой шаг вперёд, потому

00:14:03.673 --> 00:14:10.638
что Маккалок и Пиц показали, что данная
простая модель математический нейрон

00:14:13.280 --> 00:14:13.681
вполне

00:14:14.515 --> 00:14:18.354
Точно моделирует данные логические
функции.

00:14:18.594 --> 00:14:24.231
И это было, конечно, большим шагом вперёд
в разработках системы искусственного

00:14:24.391 --> 00:14:25.711
интеллекта.

00:14:30.629 --> 00:14:31.069
Иногда

00:14:32.521 --> 00:14:39.196
Хмм, в современной литературе вместо
понятия порога чувствительности нейрона

00:14:39.955 --> 00:14:44.512
используют также термин «нейронное
смещение».

00:14:47.469 --> 00:14:49.588
Итак, обратите внимание, что

00:14:51.906 --> 00:14:54.864
Есть понятие нейронного смещения, да?

00:14:55.583 --> 00:14:56.942
Обозначим его Б.

00:14:57.102 --> 00:14:58.861
Вот формула на экране.

00:14:59.180 --> 00:15:02.258
Чем отличается эта формула от предыдущей
формулы?

00:15:02.498 --> 00:15:06.734
Только добавлением вот этого параметра
нейронного смещения Б?

00:15:06.894 --> 00:15:07.094
Да?

00:15:08.020 --> 00:15:12.172
Ну, э-э, по сути, по сути,

00:15:16.045 --> 00:15:16.764
ничего.

00:15:17.814 --> 00:15:20.857
Не изменилось, да? По сути, ничего не
изменилось.

00:15:20.977 --> 00:15:24.420
Добавился некоторый, добавился некоторый
параметр.

00:15:24.660 --> 00:15:30.786
И вообще этот параметр можно в данной
ситуации интерпретировать графически, да,

00:15:31.187 --> 00:15:32.428
э-э, как к

00:15:34.870 --> 00:15:41.675
Вес некоего дополнительного входа, да,
э-э-э ну и силой

00:15:41.755 --> 00:15:43.436
синаптической связи в ноль.

00:15:43.556 --> 00:15:44.877
Обратите внимание, да.

00:15:45.938 --> 00:15:49.094
То есть у нас была сигма, там сумма от
одного до Ж.

00:15:49.334 --> 00:15:55.088
Здесь мы добавляем ещё некий входной
параметр: X нулевое равен единице, при

00:15:55.248 --> 00:15:59.803
этом, естественно, V нулевое равно Б,
чтобы в точности вот эта формула была

00:16:00.203 --> 00:16:01.681
корректна. Вот и всё.

00:16:01.801 --> 00:16:03.919
То есть никаких особых изменений.

00:16:06.146 --> 00:16:12.542
при этом нет. И вот как раз на рисунке мы
видим здесь, здесь изображён нейрон, но с

00:16:12.621 --> 00:16:14.660
дополнительным входом, да?

00:16:15.340 --> 00:16:15.819
И-и-и

00:16:22.850 --> 00:16:28.213
Наиболее сейчас распространена точка
зрения современная, в соответствии с

00:16:28.293 --> 00:16:34.978
которой, вообще говоря, вся информация,
все знания, все данные, ну, хранятся в

00:16:35.058 --> 00:16:40.341
человеческом мозге и кодируются именно в
виде матрицы сил межнейронных

00:16:40.421 --> 00:16:41.942
синаптических связей, да?

00:16:42.597 --> 00:16:47.635
И если говорить на языке физики, а точнее,
электротехники, вот как раз сила

00:16:47.754 --> 00:16:53.032
межнейронной синаптической связи это и
есть электропроводность сенапса, который

00:16:53.392 --> 00:16:58.269
представляет собой ну некую точку
электрохимического контакта между

00:16:58.509 --> 00:17:01.148
дендритом нейрона и нервным волокном.

00:17:01.983 --> 00:17:08.458
И как раз математическая, математический
нейрон Маккала Капица и представляет

00:17:08.618 --> 00:17:13.175
собой, ну, очень адекватную, очень
корректную математическую модель

00:17:13.295 --> 00:17:19.930
биологического нейрона мозга, учитывающую
его структуру и функциональные

00:17:20.090 --> 00:17:20.649
свойства.

00:17:22.884 --> 00:17:28.483
Ну, следует сказать, что, конечно,
полученные результаты Макалом и пицца

00:17:29.003 --> 00:17:31.602
произвели очень сильное впечатление.

00:17:32.242 --> 00:17:38.841
Они позволили увидеть, что нейроны вообще,
нейронную сеть, мозг можно моделировать,

00:17:38.921 --> 00:17:40.000
он эффективно работает.

00:17:40.941 --> 00:17:46.543
На самом же деле всё, конечно, не так
просто, и те приведённые нами примеры

00:17:46.943 --> 00:17:51.025
моделирования логических функций и-и не

00:17:51.714 --> 00:17:56.996
Они далеко не исчерпывают всех возможных
применений данной модели.

00:17:57.116 --> 00:18:03.159
Причём мы ещё будем говорить о том, что
ряд задач, казалось бы, внешних по

00:18:03.279 --> 00:18:09.602
постановке простых, да, которые должны
решаться вот на основе применения данной

00:18:09.962 --> 00:18:15.485
модели математического, ну, математической
модели нейрона, к сожалению, на практике,

00:18:15.685 --> 00:18:15.725
ну

00:18:17.053 --> 00:18:23.694
Не решается столь хорошо, как э-э вот
построение моделей логических

00:18:23.975 --> 00:18:24.975
функций или нет

00:18:32.038 --> 00:18:36.558
Итак, биологический нейрон и,
соответственно, его модель математический

00:18:36.678 --> 00:18:42.917
нейрон имеет несколько входов, имеет один
выход, может существовать в возбуждённом,

00:18:42.997 --> 00:18:45.037
невозбуждённом состоянии.

00:18:45.317 --> 00:18:50.237
Причём переход в возбуждённое состояние
зависит от величины поступающих

00:18:50.825 --> 00:18:55.343
...к нему сигналов и сил межнейронных
синаптических связей.

00:18:56.223 --> 00:19:01.980
Ну и соответственно, поэтому мы считаем,
что математический нейрон, он очень, ну,

00:19:02.140 --> 00:19:07.778
качественно имитирует структуры и свойства
своего прототипа биологического нейрона.

00:19:08.820 --> 00:19:15.624
Э-э, в своей работе Маккала к и Пиц
высказали, ну, скажем

00:19:15.704 --> 00:19:21.147
так, и по тем временам даже несколько
фантастическую гипотезу, в соответствии с

00:19:21.268 --> 00:19:24.269
которой, если

00:19:25.832 --> 00:19:30.918
Если математические нейроны связать между
собой проводами

00:19:36.170 --> 00:19:41.412
Имитирующими нервные волокна мозга и
пустить по проводам электрические сигналы,

00:19:41.612 --> 00:19:46.694
как это происходит в реальном мозге, то
такой искусственный мозг будет способен

00:19:46.774 --> 00:19:51.456
решать интеллектуальные задачи, подобно
тому, как это делает естественный

00:19:51.656 --> 00:19:52.537
человеческий мозг.

00:19:53.821 --> 00:20:00.782
Вот эта идея, высказанная Маккалаком и
Питцем, да, по тем временам где-то, может,

00:20:00.902 --> 00:20:07.343
даже казалась абсурдной, но через 15 лет
была блестяще подтверждена

00:20:07.463 --> 00:20:10.103
американским учёным Фрэнком Розенблаттом.

00:20:10.835 --> 00:20:17.475
Э-э, который, э-э, в 1958 году создал
компьютерную программу для

00:20:18.235 --> 00:20:24.475
VM IBM 794, которая эмулировала
деятельность математических нейронов.

00:20:24.915 --> 00:20:29.715
Это 1958 год, представьте, была первая
нейронная сеть

00:20:30.117 --> 00:20:32.279
...или сокращённо нейросеть.

00:20:32.919 --> 00:20:38.524
Она была названа автором Персептроном, от
английского слова — Perseption —

00:20:38.564 --> 00:20:44.808
осознание. Через два года, в ходе которых

00:20:45.008 --> 00:20:47.570
продолжались исследования данных моделей.

00:20:47.984 --> 00:20:52.467
Резенблан смонтировал уже электронное
устройство, в котором функции

00:20:52.667 --> 00:20:55.989
математических нейронов выполняли
отдельные

00:20:59.779 --> 00:21:04.262
Электросхемы, работающие, ну, на
электронных лампах, что соответствовало

00:21:04.623 --> 00:21:07.585
тому уровню развития элементной базы ВМ.

00:21:07.865 --> 00:21:14.389
Это и был, по сути первый нейрокомпьютер,
который успешно решал, э-э, уже

00:21:16.013 --> 00:21:19.533
Интеллектуальные задачи более высокого
уровня.

00:21:19.693 --> 00:21:24.253
Например, распознавал буквы латинского
алфавита, изображённые на карточках,

00:21:24.373 --> 00:21:29.572
которые подносились к его считывающим
устройствам электронному глазу.

00:21:31.332 --> 00:21:33.732
Обратите внимание, что хм

00:21:36.218 --> 00:21:41.534
Когда мы говорим вот об этой идее
связывания математических нейронов между

00:21:41.814 --> 00:21:46.171
собой, да, то мы получаем вот эту
нейросеть.

00:21:46.331 --> 00:21:51.487
И по сути, вот этот рисунок, который мы
видим на экране, вот эту идею иллюстрирует

00:21:51.686 --> 00:21:52.286
на входе.

00:21:52.952 --> 00:21:59.356
Дендриты, есть синапсы, есть нервное
волокно, есть непосредственно сам

00:21:59.596 --> 00:22:01.598
нейрон и есть сам аксон.

00:22:01.718 --> 00:22:07.361
То есть вот эта как бы математическая
модель, она адекватно соответствует

00:22:07.481 --> 00:22:10.323
биологической модели функционирования

00:22:15.772 --> 00:22:19.929
...вот такой хмм сети нейронов.

00:22:23.086 --> 00:22:28.842
Вот ещё раз удачные результаты проведённых
Макалов и Питцем

00:22:29.002 --> 00:22:31.520
экспериментов.

00:22:32.868 --> 00:22:38.553
Подтвердили гипотезу о возможности
представления биологической структуры и

00:22:38.633 --> 00:22:45.518
строения мозга, да, представления вот этих
электрофизиологических процессов, способов

00:22:45.598 --> 00:22:49.482
хранения информации в виде разработанных
моделей.

00:22:49.967 --> 00:22:56.803
И таким образом была подтверждена
адекватность нейросети и

00:22:56.923 --> 00:23:00.081
нейрокомпьютера как модели мозга.

00:23:03.999 --> 00:23:04.879
Давайте разберём

00:23:05.808 --> 00:23:12.203
Принцип действия перцептрона на примере
решения некоторых конкретных задач.

00:23:14.282 --> 00:23:20.198
На представленном рисунке приведён пример,

00:23:21.357 --> 00:23:26.314
который описывает один из простейших
вариантов исполнения перцептрона.

00:23:26.705 --> 00:23:33.419
предназначенного, так задумали авторы, для
классификации чисел на чётные и нечётные.

00:23:34.298 --> 00:23:40.252
В оригинале автор рассматривал некую
матрицу.

00:23:40.908 --> 00:23:46.946
Из 12 фотоэлементов, расположенных в виде
четырёх горизонтальных рядов, по три

00:23:47.226 --> 00:23:49.545
фотоэлемента в каждом ряду.

00:23:49.825 --> 00:23:54.623
Обратите внимание: четыре, раз, два, три,
четыре ряда, три столбца.

00:23:54.983 --> 00:23:59.901
Всего таких элементов, ну, по тем временам
фотоэлементов 12.

00:24:00.966 --> 00:24:07.125
На данную матрицу накладывается карточка с
изображением цифры.

00:24:07.485 --> 00:24:11.565
Ну, например, пусть это будет цифра
четыре.

00:24:12.685 --> 00:24:17.044
Если на какой-либо фотоэлемент попадает
фрагмент цифры

00:24:18.026 --> 00:24:23.699
То этот фотоэлемент вырабатывает сигнал в
виде единицы.

00:24:23.979 --> 00:24:26.775
В противном случае вырабатывает сигнал

00:24:28.816 --> 00:24:32.416
Равное нулю. Обратите внимание, почему X1
равно нулю?

00:24:32.536 --> 00:24:34.217
Потому что клеточка чистая.

00:24:34.377 --> 00:24:35.857
Четвёрка на неё не попала.

00:24:35.977 --> 00:24:38.217
Почему X2 равен единице?

00:24:38.537 --> 00:24:45.338
Потому что на данную клеточку частично
попадает изображение данной

00:24:45.458 --> 00:24:46.458
цифры. В данном случае

00:24:47.655 --> 00:24:48.978
Это четвёрка.

00:24:50.741 --> 00:24:53.987
По тем формулам, которые у нас были

00:24:55.253 --> 00:25:00.695
Математически нейрон выполняет
суммирование входных сигналов вот этих

00:25:00.815 --> 00:25:04.896
Xжитов, помноженных на синаптические веса
V-житы.

00:25:05.177 --> 00:25:10.419
Затем результат суммирования S, как мы
знаем, сравнивается с порогом

00:25:10.499 --> 00:25:15.100
чувствительности те и вырабатывается
выходной сигнал.

00:25:17.777 --> 00:25:21.694
Первоначальные значения вот этих
синаптических весов выжитых и

00:25:21.774 --> 00:25:28.051
порогочувствительности сам Розенблат
задавал датчиком случайных чисел.

00:25:28.330 --> 00:25:33.247
Поэтому на выходе персептрона случайным
образом вырабатывался сигнал.

00:25:33.880 --> 00:25:38.239
По нашей формуле это либо 0, либо один.

00:25:38.879 --> 00:25:45.838
Задача была следующая: требовалось
подобрать значения синаптических

00:25:45.918 --> 00:25:47.397
весов выжить такими

00:25:48.618 --> 00:25:54.862
Чтобы выходной сигнал Y принимал значение
единица, если на карточке было

00:25:55.183 --> 00:26:01.907
изображено чётное число и принимал
значение 0, если число было

00:26:02.308 --> 00:26:03.188
нечётным.

00:26:05.301 --> 00:26:07.862
Как решал эту задачу Разенблад?

00:26:09.183 --> 00:26:11.384
Задача решалась следующим образом.

00:26:11.744 --> 00:26:17.747
На фотоэлементы последовательно
накладывались карточки

00:26:19.628 --> 00:26:21.229
с изображением чисел.

00:26:22.013 --> 00:26:28.414
И осуществлялось обучение персептрону
путём корректировки синаптических

00:26:29.494 --> 00:26:30.814
весов выжитых.

00:26:30.974 --> 00:26:36.814
Например, если, как мы видим, на вход
предъявлялась карточка с цифрой 4

00:26:37.853 --> 00:26:43.660
И выходной сигнал Y случайно пока
оказывался равным единице, а единица —

00:26:43.780 --> 00:26:49.708
пусть означает чётность, то корректировать
синаптические веса было не нужно, так как

00:26:49.868 --> 00:26:52.792
реакция персептрона была правильной.

00:26:53.445 --> 00:26:59.409
А если выходной сигнал оказывался равным
нулю.

00:26:59.689 --> 00:27:06.653
Итак, если выходной сигнал ещё раз
оказывался равным нулю, что неправильно,

00:27:06.853 --> 00:27:11.896
то следовало увеличить, иначе говоря,
поощрить весы тех активных входов

00:27:12.600 --> 00:27:15.562
которые способствовали возбуждению
нейрона.

00:27:15.723 --> 00:27:22.647
В данном случае, ну, например, увеличению
подлежали B2, B11 и так далее Таким

00:27:22.767 --> 00:27:29.292
образом можно сформулировать некий
итерационный

00:27:29.532 --> 00:27:30.132
алгоритм

00:27:30.608 --> 00:27:36.615
...корректировки синаптических весов,
обеспечивающие обучение прецептрона в

00:27:36.695 --> 00:27:37.936
нужном направлении.

00:27:38.176 --> 00:27:41.419
Итак, шаг первый.

00:27:43.181 --> 00:27:48.507
Датчиком случайных чисел всем
синаптическим весам выжитым...

00:27:49.437 --> 00:27:56.317
Всего их 12 по числу фотоэлементов или по
числу клеточек на рисунке и порогу

00:27:56.477 --> 00:28:02.277
чувствительности нейрона Тетта присвоить
некоторые малые случайные значения.

00:28:02.878 --> 00:28:07.278
Шаг два. Предъявить персептрону какую-либо
цифру.

00:28:08.607 --> 00:28:14.051
Система фотоэлементов, ну, так в
оригинале, вырабатывает некий входной

00:28:14.412 --> 00:28:19.576
вектор XGT, где жи, естественно,
изменяется от одного до двенадцати по

00:28:19.736 --> 00:28:22.499
количеству этих фотоэлементов.

00:28:23.059 --> 00:28:23.900
Третий шаг.

00:28:24.688 --> 00:28:31.006
Нейрон выполняет взвешенное суммирование
входных сигналов по нашей формуле.

00:28:31.246 --> 00:28:37.523
S равно Sigma g от одного до двенадцати
Vжита Xжита и

00:28:37.843 --> 00:28:39.682
вырабатывает выходной сигнал.

00:28:40.692 --> 00:28:47.573
Игрек равный единице, если S больше, равна
вот этого порога чувствительности тета.

00:28:47.653 --> 00:28:54.614
Или же игрек будет равно, если полученное
значение S меньше тета.

00:28:55.895 --> 00:28:56.935
Шаг четвёртый.

00:28:58.742 --> 00:29:05.297
Шаг четвёртый. Четвёртый шаг состоит

00:29:05.977 --> 00:29:07.775
из нескольких проверок.

00:29:08.215 --> 00:29:09.973
В рамках четвёртого шага.

00:29:10.293 --> 00:29:16.089
Если выходной сигнал правильный, переходим
на шаг два, то есть предъявляем

00:29:16.209 --> 00:29:17.168
персептрону.

00:29:17.562 --> 00:29:19.722
Какую-либо цифру ещё.

00:29:20.803 --> 00:29:24.844
Шаг четвёртый, но другой выбор.

00:29:25.284 --> 00:29:31.966
Если выходной сигнал неправильный равен
нулю, то необходимо увеличить веса

00:29:32.206 --> 00:29:33.767
активность входов. Например,

00:29:34.743 --> 00:29:41.215
добавить к каждому житому синаптическому
весу величину житого входного сигнала.

00:29:41.854 --> 00:29:48.845
Если же вход был неактивен, то есть в
данной, в данной ситуации и-жита

00:29:48.965 --> 00:29:49.524
равно нулю

00:29:50.099 --> 00:29:52.939
То житый синаптический вес не изменится.

00:29:53.739 --> 00:30:00.217
Если же вход был активен, то есть житое
было равно единице, то житый

00:30:00.297 --> 00:30:03.817
синаптический вес будет увеличен на
единицу.

00:30:04.577 --> 00:30:05.777
Э-э, соответственно,

00:30:07.063 --> 00:30:09.182
Имеют место различные итерации.

00:30:09.262 --> 00:30:16.221
Их тоже можно как-то обозначить, которые,
ну, в искусственном интеллекте называются

00:30:16.421 --> 00:30:21.700
эпохи, да? Потому что мы не знаем, сколько
будет подобных итераций.

00:30:22.220 --> 00:30:24.620
И, соответственно, новые значения, то есть

00:30:25.284 --> 00:30:30.609
Выжитое уже, где аргументом является вот
это Т-количество итераций.

00:30:30.689 --> 00:30:36.014
Это может быть первая, вторая, третья и
так далее, итерация — это новое значение

00:30:36.494 --> 00:30:38.536
житого синаптического веса.

00:30:38.776 --> 00:30:42.100
Ну, а соответственно, выжитое, а Т — это
старое значение.

00:30:43.475 --> 00:30:46.314
Дальше шаг. В рамках четвёртого.

00:30:46.634 --> 00:30:52.554
Если выходной сигнал неправильный и равен
единице, то необходимо уменьшить веса

00:30:52.714 --> 00:30:59.673
активных входов, например, отняв от них
какие-то значения и джиты.

00:31:00.540 --> 00:31:06.377
И наконец переходим на шаг два или
завершаем процесс обучения.

00:31:10.335 --> 00:31:17.131
В теории искусственного интеллекта вот на
шаге четвёртом, когда у нас

00:31:17.291 --> 00:31:17.971
была ситуация

00:31:19.115 --> 00:31:22.153
Что выходной сигнал неправильный, да?

00:31:22.673 --> 00:31:28.551
Э-э-э, то вот это правило, которое мы
сейчас проговорили, называется первым

00:31:28.631 --> 00:31:30.070
правилом хебба.

00:31:30.430 --> 00:31:36.948
А шаг, ну, или подшаг четвёртый, если,
например, сигнал неправильный и равен

00:31:37.028 --> 00:31:37.747
единице.

00:31:38.268 --> 00:31:42.232
Называется вторым правилом хэбба.

00:31:43.312 --> 00:31:49.278
Хэб — это канадский учёный-физиолог,
который и предложил данный алгоритм в

00:31:49.358 --> 00:31:51.800
1949 году.

00:31:52.801 --> 00:31:56.004
И на что следует нам обратить внимание

00:31:56.892 --> 00:32:02.853
Рассмотренный нами алгоритм обучения
просептрона с помощью правил

00:32:03.013 --> 00:32:09.614
Heba, он во многом напоминает процесс
обучения, процесс обучения

00:32:09.854 --> 00:32:13.495
человека, будь то ребёнок, или будь то
ученик или студент.

00:32:13.885 --> 00:32:16.922
...методом поощрения или наказания.

00:32:17.042 --> 00:32:22.157
Или иногда говорят, как по отношению к
дрессировке животных методом кнута и

00:32:22.237 --> 00:32:28.872
пряника. Обратите внимание, что
первоначальные значения синоптических

00:32:28.991 --> 00:32:30.190
весов выжиты...

00:32:30.578 --> 00:32:34.057
...задаются датчиком случайных чисел.

00:32:34.416 --> 00:32:40.493
Ну, это примерно соответствует ситуации,
что при рождении человека или

00:32:40.813 --> 00:32:47.450
животного, э-э, его мозг ещё не накопил
знаний, и поэтому силы синаптических

00:32:47.570 --> 00:32:51.008
связей ужиты имеют какие-то случайные...

00:32:51.550 --> 00:32:53.711
во многом минимальные значения.

00:32:53.912 --> 00:32:59.916
И соответственно, как и в случае с
ребёнком, студентом или животным, которые

00:33:00.276 --> 00:33:06.481
обучаются по методу поощрения наказания,
вот представленный нами алгоритм обучения

00:33:06.681 --> 00:33:08.683
процептрона за количество

00:33:10.095 --> 00:33:15.096
Ну, за некое конечное количество попыток,
которые, как мы сказали, называется

00:33:15.256 --> 00:33:18.936
эпохами или итерациями, может привести к
цели.

00:33:19.216 --> 00:33:25.416
Соответственно, персептрон в конце концов
усвоит необходимые знания, закодирует их в

00:33:25.496 --> 00:33:29.776
виде конкретных значений матрицы сил
синептических связей выжитые.

00:33:30.457 --> 00:33:36.379
И таким образом научатся различать чётные
и нечётные числа.

00:33:39.580 --> 00:33:46.543
Дальнейшее развитие представленной идеи
процептрона и связанных алгоритмов

00:33:46.663 --> 00:33:47.303
обучения.

00:33:48.104 --> 00:33:53.141
уже связывается с усложнением его
структуры и функциональных свойств.

00:33:53.461 --> 00:33:55.220
Обратите внимание на рисунок.

00:33:55.340 --> 00:34:01.216
На данном рисунке представлена схема
персектрона, предназначенная для

00:34:01.416 --> 00:34:04.454
распознавания букв русского алфавита.

00:34:05.513 --> 00:34:11.994
В отличие от предыдущей схемы, такой
перцептрон имеет 33 выходных

00:34:12.194 --> 00:34:18.995
нейрона. Обратите внимание: не грек просто
грек 1, grek 2 и так далее

00:34:19.235 --> 00:34:20.435
грек 33.

00:34:21.156 --> 00:34:23.475
Причём игрек-1 он связан.

00:34:23.515 --> 00:34:29.992
Вот мы пишем игрек один буква А, и два
буква Б, игрек 33 буква Я.

00:34:30.391 --> 00:34:36.668
И, э-э, то есть, каждой букве
соответствует свой выходной нейрон.

00:34:38.183 --> 00:34:44.340
Полагается, что сигнал первого выходного
нейрона должен быть равен единице, если

00:34:44.660 --> 00:34:51.577
перцептрону предъявлена буква «А и равен
нулю, если предъявляется любая другая

00:34:51.737 --> 00:34:52.137
буква».

00:34:52.948 --> 00:34:59.751
Выход второго сигнала нейрона Yek 2,
соответственно, должен быть равен

00:35:00.511 --> 00:35:07.033
единице, если процептрону предъявлена
буква Б и, соответственно,

00:35:07.193 --> 00:35:09.754
равен нулю во всех остальных случаях.

00:35:10.230 --> 00:35:15.435
И так далее до буквы «Я», соответствующей
выходу YIII

00:35:16.716 --> 00:35:18.157
Алгоритм обучения

00:35:23.881 --> 00:35:26.163
данного персептрона.

00:35:27.053 --> 00:35:28.733
Выглядит следующим образом.

00:35:29.612 --> 00:35:36.011
Первый шаг, опять же, датчиком случайных
чисел всем весовым коэффициентом V

00:35:36.931 --> 00:35:42.850
и живое, а теперь уже это V и живое,
поскольку у нас игрек не один, а их

00:35:44.090 --> 00:35:46.930
33 и нейронным смещением.

00:35:48.659 --> 00:35:54.973
В итая ноль присваиваются некоторые малые

00:35:55.293 --> 00:35:56.852
случайные значения.

00:35:57.331 --> 00:36:04.325
Шаг два. Перцептрону предъявляется
какая-либо буква алфавита и пусть

00:36:04.565 --> 00:36:07.043
системой фотоэлементов в терминах

00:36:08.369 --> 00:36:12.692
Того времени вырабатывается входной вектор
GT.

00:36:13.293 --> 00:36:17.295
Точно так же жи изменяется от одного до
двенадцати.

00:36:17.415 --> 00:36:24.220
Мы видим на рисунке, что у нас четыре ряда
по три элемента.

00:36:24.340 --> 00:36:26.542
Или, точнее, по тем временам
фотоэлементов.

00:36:28.545 --> 00:36:33.902
Сигналы дополнительных нейронов входа
присваиваются единичным, X равно 1.

00:36:35.741 --> 00:36:42.378
Каждый нейрон, каждый выполняет взвешенное
суммирование входных сигналов по

00:36:43.577 --> 00:36:45.376
той формуле, о которой мы знаем.

00:36:46.176 --> 00:36:46.656
В данном случае

00:36:48.335 --> 00:36:55.140
Жумма J от нуля до двенадцати, В и Ж и
вырабатывает выходной сигнал,

00:36:55.301 --> 00:37:00.785
равный единице, но по отношению к
конкретной букве Игрек, равное единице,

00:37:00.865 --> 00:37:03.466
если опять же это Sita

00:37:06.375 --> 00:37:11.334
Больше равно нулю игрек ноль равно нулю,
если сытые меньше нуля.

00:37:11.894 --> 00:37:16.013
Для каждого нейрона вычисляется его
ошибка.

00:37:20.419 --> 00:37:25.984
Следующий шаг — производится корректировка
весовых коэффициентов и нейронных

00:37:26.105 --> 00:37:29.948
смещений, о чём мы говорили в предыдущем
алгоритме.

00:37:30.028 --> 00:37:36.795
И наконец, э-э, шаги два и пять
повторяются необходимое количество

00:37:36.995 --> 00:37:37.275
раз.

00:37:38.730 --> 00:37:43.247
В данном алгоритме формулы для
корректировки нейронных смещений можно

00:37:43.566 --> 00:37:48.882
вообще не, ну, не учитывать, так как они
будут выполняться автоматически, если цикл

00:37:48.962 --> 00:37:53.039
по индексу G начинать не от единицы, а от
нуля.

00:37:53.998 --> 00:37:55.038
Отметим, что

00:37:56.133 --> 00:38:02.246
Первый действующий перцептрон был создан в
конце пятидесятых — начале шестидесятых

00:38:02.445 --> 00:38:07.919
годов. И был он предназначен, мы говорили,
для распознавания букв латинского

00:38:08.119 --> 00:38:11.475
алфавита. Буквы, отпечатанные на
карточках.

00:38:12.546 --> 00:38:17.510
Поочерёдно накладывали на табло
фотоэлементов и осуществляли процесс

00:38:17.590 --> 00:38:22.954
обучения персептрона согласно приведённому
здесь алгоритму.

00:38:23.675 --> 00:38:28.198
После выполнения достаточно большого
количества

00:38:29.056 --> 00:38:34.690
Ираций или эпох перцептрон научился
безошибочно распознавать все буквы,

00:38:34.850 --> 00:38:36.449
участвовавшие в обучении.

00:38:36.569 --> 00:38:43.402
И таким образом и была подтверждена
гипотеза о том, что компьютер, в принципе,

00:38:43.522 --> 00:38:46.719
построенный по образу и подобию
человеческого мозга

00:38:47.547 --> 00:38:51.225
Может решать некоторые интеллектуальные
задачи.

00:38:51.385 --> 00:38:57.542
Ну, как мы смотрели, в частности,
распознавание образов, букв.

00:38:58.382 --> 00:39:04.300
При этом персептрон научился распознавать
знакомые образы.

00:39:04.937 --> 00:39:08.620
То есть те образы, которые
демонстрировались ему в процессе обучения.

00:39:09.516 --> 00:39:15.311
Э-э, но он при этом успешно справлялся с
распознаванием образов, которые вообще

00:39:15.711 --> 00:39:21.187
видел впервые. Выяснилось таким образом,
что перцептрон оказался способным

00:39:21.347 --> 00:39:27.142
распознавать буквы, ну, отпечатанные с
небольшими искажениями, другим шрифтом,

00:39:27.950 --> 00:39:33.555
Если шрифт, конечно, не очень сильно
отличался от того, который использовался

00:39:33.835 --> 00:39:36.638
при обучении персептрона

00:39:41.722 --> 00:39:43.924
что соответствует вообще опять же

00:39:44.624 --> 00:39:48.869
Реальные ситуации, связанные с
функционированием мозга, да?

00:39:49.149 --> 00:39:53.954
То есть мозг может узнавать образы,
которые ему встретились и впервые.

00:39:54.034 --> 00:39:57.758
И данное свойство называется свойством
обобщения.

00:39:58.358 --> 00:39:59.639
То есть это свойство

00:40:00.801 --> 00:40:06.879
которое было, ну, выявлено в процессе
обучения процептрона, как мы понимаем,

00:40:07.039 --> 00:40:11.877
заимствовано непосредственно от его
прототипа человеческого мозга.

00:40:11.997 --> 00:40:14.756
Ну, или не только человеческого, мозга
просто.

00:40:15.516 --> 00:40:17.755
Оно было унаследовано благодаря тому,

00:40:19.395 --> 00:40:26.041
Что процептрон оказался адекватной моделью
мозга, которая удачно

00:40:26.321 --> 00:40:31.406
отражала как его структурные, так и
функциональные качества.

00:40:31.846 --> 00:40:37.371
Именно свойство обобщения впоследствии
позволило применять нейронные сети для

00:40:37.571 --> 00:40:40.694
решения широчайшего круга практических
задач.

00:40:41.312 --> 00:40:45.515
которые недоступны были для традиционных
методов информатики.

00:40:45.956 --> 00:40:51.000
И именно благодаря этому свойству
нейронные сети стали очень эффективным

00:40:51.120 --> 00:40:56.645
инструментом и научных исследований, и
практических приложений

00:41:02.117 --> 00:41:08.160
О чём свидетельствует, ну, огромное
количество используемых сейчас

00:41:09.080 --> 00:41:12.562
нейросетей в самых различных областях.

00:41:17.164 --> 00:41:20.926
Пример, который мы с вами разобрали.

00:41:21.748 --> 00:41:27.504
Связанное с распознаванием букв алфавита,
конечно, не является единственным примером

00:41:28.183 --> 00:41:32.300
такого эффективного, результативного
применения перцептрона.

00:41:32.700 --> 00:41:36.857
Сразу же после получения первых таких
удачных примеров

00:41:37.786 --> 00:41:44.272
Обучении перцептрона были предприняты
попытки использовать его для решения

00:41:45.313 --> 00:41:47.515
других практических задач.

00:41:47.875 --> 00:41:52.440
Например, ставить диагнозы болезни.

00:41:52.720 --> 00:41:57.764
Из классических задач, это, например, ещё
рассматривается вопрос определения

00:41:58.935 --> 00:42:04.979
Э-э самолёта, свой он или чужой, то есть
схема «свой-чужой», который, например,

00:42:05.339 --> 00:42:07.821
подлетает там к границам страны.

00:42:08.101 --> 00:42:14.025
По сути, всё зависит от того, какой смысл
придавать входному вектору.

00:42:14.854 --> 00:42:16.855
X и выходному вектору

00:42:23.738 --> 00:42:30.220
посмотрите на представленный рисунок,
подавать сигналы, которые определённым

00:42:30.420 --> 00:42:33.742
образом кодируют симптомы заболевания
человека.

00:42:34.254 --> 00:42:38.734
А в качестве грек 1, igrek 2 и так далее

00:42:41.095 --> 00:42:48.055
кодировать диагнозы заболеваний, то на
основе такого персептрона можно построить

00:42:48.415 --> 00:42:49.655
схемы медицинской

00:42:50.450 --> 00:42:57.250
Диагностики. Если же, например, в качестве
их

00:42:57.450 --> 00:43:02.851
житых на вход персептрона подавать
некоторые сигналы, например, с радара,

00:43:02.971 --> 00:43:06.811
который обнаружил некий самолёт, а в
качестве

00:43:07.675 --> 00:43:14.402
Игрек, э-э снимать сигналы кодирующей
информации является о том, ну,

00:43:14.562 --> 00:43:20.048
данный самолёт свой или чужой, то на
основе такого прецептрона можно создать

00:43:20.168 --> 00:43:24.012
систему обнаружения, распознавания военных
объектов.

00:43:25.594 --> 00:43:31.876
Существуют и другие задачи, которые
эффективно решаются с помощью

00:43:32.076 --> 00:43:34.236
применения подобных моделей.

00:43:34.637 --> 00:43:37.437
Однако не все.

00:43:38.838 --> 00:43:41.358
В ходе опытно такой экспериментальной
работы

00:43:42.634 --> 00:43:47.798
Было обнаружено, что для ряда классов
задач, ну, например, прогнозирование

00:43:47.958 --> 00:43:54.364
погоды, прогнозирование температуры
воздуха, э-э, в экономике, это, например,

00:43:55.485 --> 00:44:00.649
определение возможных курсов валют,
котировок акций, такой персептрон

00:44:00.849 --> 00:44:03.572
эффективно не удавалось использовать.

00:44:04.240 --> 00:44:10.400
Почему? Потому что изначально он мог
выдавать только бинарные

00:44:10.600 --> 00:44:14.560
результаты, типа 0 или единица.

00:44:15.600 --> 00:44:17.680
Почему 0 или единица?

00:44:17.920 --> 00:44:19.920
Давайте вспомним, что активационные

00:44:20.967 --> 00:44:27.051
Функция, которая использовалась у нас
изначально, — это функция, которая

00:44:27.492 --> 00:44:34.256
принимала значение либо 0, если полученная
сумма меньше некоего

00:44:34.416 --> 00:44:37.298
параметра теница.

00:44:37.419 --> 00:44:38.980
Мы называли такую функцию

00:44:40.154 --> 00:44:42.272
Там ступенчато, да.

00:44:42.632 --> 00:44:47.147
Соответственно, далеко не все задачи могли
решаться с использованием такой

00:44:47.467 --> 00:44:49.106
активационной функции.

00:44:49.505 --> 00:44:54.541
И хмм было

00:44:55.859 --> 00:44:56.579
предложено

00:44:58.328 --> 00:45:04.488
Хмм, расширить круг задач, которые мы
могли решать с помощью моделирования

00:45:04.648 --> 00:45:11.088
нейросетей за счёт того, что функция

00:45:11.288 --> 00:45:14.848
активационная была бы неразрывно

00:45:15.389 --> 00:45:17.111
А непрерывно.

00:45:19.274 --> 00:45:26.123
И вот развитие вообще теории перцептрона,
э-э, конечно,

00:45:26.844 --> 00:45:27.966
ну, перешло в такую

00:45:29.161 --> 00:45:34.835
новую эффективную фазу, когда было
предложено вместо ступенчатой

00:45:34.915 --> 00:45:40.350
активационной функции ввести непрерывную
активационную функцию.

00:45:40.550 --> 00:45:44.826
Примером такой функции является сигмоида

00:45:46.367 --> 00:45:51.642
которая была предложена американскими
учёными Уидро и Хоффом

00:45:53.960 --> 00:45:59.995
Обратите внимание на экране представлено
аналитическое выражение возможной

00:46:00.075 --> 00:46:03.912
сигмоидной функции и её графическое
изображение.

00:46:04.152 --> 00:46:07.829
Иногда данную функцию называют
логистической функцией.

00:46:11.030 --> 00:46:16.744
Подобно той функции раньше пороговой, да,
ступенчатой, сигмоида

00:46:17.464 --> 00:46:23.977
отображает точки области определения от
-конечности до бесконечности.

00:46:24.497 --> 00:46:27.094
А множество значений, как видно,

00:46:27.766 --> 00:46:34.456
Из графика — это отрезок от нуля до +oida

00:46:34.696 --> 00:46:39.823
обеспечивает непрерывную аппроксимацию
классической пороговой функции.

00:46:40.720 --> 00:46:45.638
Появление перцептронов с непрерывными
активационными функциями, да, а это

00:46:45.837 --> 00:46:50.316
означает, что сигмоиты — это далеко не
единственная активационная функция,

00:46:50.595 --> 00:46:56.473
возможные и другие, обусловило появление
новых подходов к их обучению.

00:46:57.173 --> 00:47:02.611
Ну, например, Уидру и Хуф предложили
минимизировать квадратичную ошибку.

00:47:03.251 --> 00:47:09.129
Ошибка мы раньше, ну, что такое ошибка,
зачем они используются, мы с вами

00:47:09.369 --> 00:47:09.929
говорили.

00:47:27.514 --> 00:47:30.997
Вот подобное развитие таких технологий

00:47:34.600 --> 00:47:41.245
позволило делать вывод о том, что если
раньше перцептрон обучался

00:47:41.525 --> 00:47:43.286
методам поощрения наказания

00:47:44.237 --> 00:47:51.033
То по сути теперь задача обучения
персептрона могла рассматриваться с

00:47:51.153 --> 00:47:57.430
позиции задачи оптимизации функции ошибка,
которая иногда называется погрешностью

00:47:57.510 --> 00:47:58.349
персептрона.

00:47:58.830 --> 00:48:04.148
Известно, что существует множество методов
решения оптимизационных задач.

00:48:04.508 --> 00:48:10.066
И наиболее простым методом, конечно,
является перебор весовых коэффициентов с

00:48:10.186 --> 00:48:15.545
последующим вычислением и сравнением между
собой хмм значения.

00:48:16.152 --> 00:48:18.152
...от этой функции ошибки.

00:48:22.712 --> 00:48:29.472
Таким образом, ещё раз, введение
сигмоидной функции активации

00:48:29.872 --> 00:48:31.952
вместо ступенчатой функции...

00:48:32.335 --> 00:48:38.887
...и появление новых алгоритмов обучения
расширило область применения персептрона.

00:48:39.047 --> 00:48:45.399
И таким образом принципиально то, что он
уже мог оперировать не только с

00:48:45.479 --> 00:48:47.477
бинарными, типа 0-единица.

00:48:48.082 --> 00:48:52.242
Но и с непрерывными, то есть аналоговыми
выходными сигналами.