В пособии излагается основное содержание дисциплины «Нейронные сети для систем управления автоматизированным электроприводом»; рассматриваются основные модели теории нейронных сетей: однослойный персептрон, многослойный персептрон, сети радиальных базисных функций и машины опорных векторов. Кроме того, кратко описано глубокое обучение и модели рекуррентных нейронных сетей. В теории рекуррентных сетей изложены некоторые оригинальные результаты авторов и их применения к робототехнике. В связи с сетями РБФ также кратко описаны вейвлеты и их применения при анализе сигналов. Для каждой модели в пособии описываются процедура обучение этой модели при помощи системы Matlab. Приведены соответствующие скрипты с подробными комментариями. Для понимания пособия достаточны элементарные познания в линейной алгебре и анализе.

Рассматривается применение нейросетевых технологий при построении информационных и управляющих систем в науке, экономике, финансах и искусстве. Исследуются вопросы разработки нейросетей «под задачу», представления исходной и обработки выходной информации. Предлагаются простые методы обучения в статическом и динамическом режимах. Обсуждаются особенности систем принятия решений, самообучающихся управляющих систем, систем логического вывода, банковского мониторинга, безопасности, защиты информации, политического и социального прогноза, бизнеса развлечений и туризма. Для студентов технических и экономических вузов, аспирантов, инженеров и исследователей в области современных информационных технологий.

В данной статье собраны материалы — в основном русскоязычные — для базового изучения искусственных нейронных сетей.

Содержание

О КУРСЕ
Алгоритмы машинного обучения требуют структурирования объемов данных, а вместе с тем подразумевают постоянное вмешательство человека в процесс обучения искусственного интеллекта. В противовес им сети глубокого обучения могут структурировать данные самостоятельно, учатся на своих ошибках и не требуют человеческого вмешательства. Механизмы глубокого обучения уже используются для распознавания речи, компьютерного зрения, создания изображений и звуков. В эпоху Big Data, когда количество данных стремительно растет каждый день, глубокое обучение — это ключ на пути к реальному искусственному интеллекту.
АВТОР КУРСА
Юрген Шмидхубер
профессор искусственного интеллекта Университета Лугано, научный директор Лаборатории искусственного интеллекта (AI Lab IDSIA) Университета прикладных наук итальянской Швейцарии, сооснователь и научный руководитель компании NNAISENSE

Up-to-date research in the field of neural networks: machine learning, computer vision, nlp, photo processing, streaming sound and video, augmented and virtual reality.

Разрабатываем приложения и рассказываем о последних исследованиях в области нейронных сетей: computer vision, nlp, обработка фотографий, потокового видео и звука, дополненная и виртуальная реальность.