Istnieją dwa główne typy sieci neuronowych:
- Sieci neuronowe ze sprzężeniem zwrotnym (FNN): Sieci te propagują dane z węzłów wejściowych przez warstwy ukryte do węzłów wyjściowych bez cykli i pętli. Służą do zadań takich jak rozpoznawanie wzorców, klasyfikacja i regresja.
- Rekurencyjne sieci neuronowe (RNN): Sieci RNN mają połączenia tworzące cykle, dzięki czemu mogą wykazywać dynamiczne zachowanie w czasie poprzez przetwarzanie sekwencji danych wejściowych. Nadają się do zadań obejmujących dane sekwencyjne, takich jak przetwarzanie języka naturalnego, rozpoznawanie mowy i przewidywanie szeregów czasowych.
Sieci neuronowe można ogólnie podzielić na dwa typy:
- Sieci neuronowe ze sprzężeniem zwrotnym (FNN): Sieci te przetwarzają dane w sposób jednokierunkowy, przekazując informacje z węzłów wejściowych przez warstwy ukryte do węzłów wyjściowych. Sieci FNN są powszechnie używane do zadań takich jak rozpoznawanie obrazów, klasyfikacja i regresja.
- Rekurencyjne sieci neuronowe (RNN): Sieci RNN są zaprojektowane do obsługi danych sekwencyjnych poprzez utrzymywanie stanu lub pamięci poprzednich wejść. Dzięki temu mogą przetwarzać sekwencje danych, dzięki czemu nadają się do zastosowań takich jak przetwarzanie języka naturalnego, rozpoznawanie pisma ręcznego i rozpoznawanie mowy.
Uczenie się w sieciach neuronowych zazwyczaj obejmuje dwa główne typy:
- Uczenie się nadzorowane: W przypadku uczenia się nadzorowanego sieć uczy się na podstawie oznaczonych danych szkoleniowych, w których dane wejściowe są sparowane z odpowiednimi docelowymi wynikami. Sieć dostosowuje swoje parametry za pomocą iteracyjnych algorytmów optymalizacji, aby zminimalizować różnicę między przewidywanymi a rzeczywistymi wynikami, umożliwiając uogólnianie i przewidywanie nowych, niewidocznych danych.
- Uczenie się bez nadzoru: Uczenie się bez nadzoru obejmuje szkolenie sieci na nieoznaczonych danych, podczas których sieć identyfikuje wzorce, struktury lub relacje w danych bez wyraźnych wskazówek. Typowe zadania obejmują grupowanie, redukcję wymiarowości i wykrywanie anomalii, pomagając odkryć ukryte informacje i strukturę danych.
Dwie główne części sieci neuronowych to:
- Neurony (węzły): Neurony to podstawowe jednostki przetwarzające i przesyłające informacje w sieci neuronowej. Każdy neuron odbiera sygnały wejściowe, stosuje wagi i odchylenia, a następnie przekazuje wynik do następnej warstwy lub jako końcowy wynik.
- Połączenia (wagi): Połączenia między neuronami reprezentują przepływ informacji w sieci neuronowej. Każdemu połączeniu przypisana jest waga, która określa siłę związku pomiędzy połączonymi neuronami. Dostosowywanie tych wag podczas uczenia pozwala sieci uczyć się i dostosowywać do różnych zadań i wzorców danych.
Sztuczne sieci neuronowe (ANN) obejmują różne architektury, ale dwa podstawowe typy obejmują:
- Sieci neuronowe ze sprzężeniem zwrotnym (FNN): Sieci FNN przetwarzają dane w sposób jednokierunkowy, przekazując informacje z węzłów wejściowych przez warstwy ukryte do węzłów wyjściowych. Są skuteczne w zadaniach wymagających rozpoznawania wzorców, klasyfikacji i regresji.
- Rekurencyjne sieci neuronowe (RNN): Sieci RNN są zaprojektowane do obsługi danych sekwencyjnych poprzez utrzymywanie pamięci poprzednich wejść poprzez pętle sprzężenia zwrotnego. Umożliwia im to efektywne przetwarzanie danych szeregów czasowych, sekwencji języka naturalnego i innych typów danych sekwencyjnych.