Sieci neuronowe

(Przekierowano z Sieć neuronowa)
Sieci neuronowe
Polecane artykuły


Sieci neuronowe – ogólna nazwa struktur matematycznych i ich programowych lub sprzętowych modeli, realizujących obliczenia lub przetwarzanie sygnałów poprzez rzędy elementów, zwanych sztucznymi neuronami, wykonujących pewną podstawową operację na swoim wejściu. Oryginalną inspiracją takiej struktury była budowa naturalnych neuronów, łączących je synaps, oraz układów nerwowych, w szczególności mózgu. "Sieci neuronowe stanowią zaawansowaną, nieliniową technikę analizy danych ukierunkowaną głównie na rozwiązywanie problemów, w których zdefiniowanie a priori postaci modelu matematycznego jest trudne lub niemożliwe, natomiast istnieje duża liczba obserwacji (wzorców) określonego zjawiska; obserwacje te są wykorzystywane w procesie tzw. uczenia sieci, w trakcie którego następuje transfer do modelu ukrytej w tych wzorach wiedzy oraz jej zakodowanie w parametrach (tzw. Wagach) sieci” (J. Morajda 2012, s. 15). Sieć neuronowa ogólnie złożona jest z grupy lub podgrup połączonych ze sobą komórek nerwowych.

System nerwowy

Jak wspomniano wyżej głównym wyznacznikiem dla sieci neuronowych był naturalny neuron (komórka nerwowa). Jego działanie przedstawił J. Bartman w swoim artykule i wygląda to następująco:

"Zasady działania:

  • sygnały pomiędzy neuronami przekazywane są przez synapsę,
  • sygnał ma najczęściej charakter chemiczny, rzadziej elektryczny,
  • neuron reaguje adekwatnie do wszystkich swoich pobudzeń [...],
  • impulsy mogą być pobudzające lub hamujące [...],
  • impulsy napływające do neuronu mogą być wytwarzane przez sam neuron lub przez sąsiadów,
  • po przesłaniu impulsu przez krótki czas neuron jest nieczuły" (J. Bartman 2012, s. 10).

Przybliżony wygląd neuronu przedstawia poniższy rysunek

Rys. 1 Wygląd komórki nerwowej

Sztuczne sieci neuronowe

W przypadku sieci neuronowych stosuje się strukturę sieci wielowarstwowych. Składa się ona z trzech różnych warstw, tj. warstwy wejściowej, warstw ukrytych i warstwy wyjściowej. Głównym celem takiej sieci jest uzyskanie przez nią odpowiedzi przy zadanych wielkościach wyjściowych. "Cel ten uzyskuje się poprzez proces uczenia sieci, czyli odpowiedniej zmiany wartości wag neuronów. Jedną z podstawowych metod uczenia jest tak zwana metoda z nauczycielem (uczenie nadzorowane). W metodzie tej algorytm uczenia polega na przedstawieniu sieci zbioru uczącego, składającego się z danych wejściowych X i odpowiadającego mu danych wyjściowych Z. Zbiór danych wejściowych przetwarzany jest przez się a uzyskany wynik Y porównywany jest z posiadanymi danymi wyjściowymi Z. Różnica pomiędzy wartościami Y i Z stanowi podstawowy parametr do zmian wartości wag neuronów tak, aby osiągnął minimum funkcji kryterialnej, który standardowo stanowi suma kwadratów różnic pomiędzy wartościami Y i Z" (Z. Stęgowski 2004, s. 6).

Zastosowanie sieci neuronowych

Obecnie sieci neuronowe mają istotne znaczenie i cieszą się powodzeniem w wielu dziedzinach nauki, takich jak: finanse, medycyna, technika, geologia czy fizyka. Tam gdzie posługujemy się sterowaniem, klasyfikacją czy prognozowaniem tam będą sieci neuronowe. "Olbrzymi sukces sieci neuronowych związany jest z dwoma czynnikami:

  • moc – jest bardzo zaawansowaną techniką modelowania, zdolną do odwzorowywania nadzwyczaj złożonych funkcji. W szczególności sieci neuronowe mają charakter nieliniowy […]
  • prostota – w praktyce same konstruują potrzebne użytkownikowi modele, ponieważ automatycznie uczą się na podanych przez niego przykładach […]” (M. Krzyśko, W. Wołyński, T. Górecki, M. Skorzybut 2008, s. 188).

Sieci neuronowe do klasyfikacji i grupowania danych

Najsłynniejszym typem sieci neuronowych jest tzw. perceptron wielowarstwowy. Dana sieć może być złożona z kilku warstw. "Pierwsza warstwa, zwana wejściową, różni się od następnych, gdyż elementy tej warstwy przekazują jedynie sygnały wejściowe do neuronów warstwy następnej, bez przetwarzania i zmiany ich wartości; kolejne warstwy składają się z neuronów, które realizują funkcję określoną następującym wzorem\[ f (\sum_{i=1}^n w_i u_i - v)\,\]

gdzie \( u_i,... , u_n\,\) są sygnałami wejściowymi (wejściami) neuronu, \( v\,\) oznacza tzw. próg (obciążenie; bias), który może być traktowany jako wartość wejściowa \( u_0 = -1\,\) mnożona przez wagę \( w_0 = v\,\), właściwe wagi połączeń to \( w_1, …., wn\,\), natomiast \( z\,\) jest sygnałem wyjściowym (wyjściem) neuronu” (P. Kulczycki, O. Hryniewicz, J. Kacprzyk 2007, s. 142).

Wyznaczanie strategii marketingowej poprzez segmentację klientów

Opisywane sieci neuronowe bardzo często można spotkać przy opisie zarządzania strategią marketingową. Aby konkretne działania marketingowe przyniosły określony skutek reklama musi być odpowiednio trafna i przykuwać uwagę odbiorców zainteresowanych prezentowanym obszarem marketingu. Żeby stało się to możliwe należy przeprowadzić segmentację klientów, tzn. podzielić ich wobec kryterii tych samych upodobań, preferowanych potrzebach a nawet zachowaniach. W zależności od wieku odbiorcy przeprowadza się działanie marketingowe. Gdy mamy do czynienia z młodymi ludźmi składamy nacisk na umieszczenie reklamy w Internecie, bo nie od dziś wiadomo, że żyjemy w dobie Internetu i smartfonów. "Do wyznaczania strategii marketingowej i doboru produktu do klienta w platformie finansowej wykorzystano sieci neuronowe. W dalszych badaniach została utworzona sieć neuronowa wyznaczająca strategię sprzedaży kart kredytowych. W dzisiejszych czasach oferta kart kredytowych nie tylko ogranicza się do udzielenia klientowi pożyczki. Z wyborem rodzaju karty kredytowej wiążą się różnego rodzaju benefity i zniżki. Na rynku kart kredytowych istnieją produkty dedykowane różnym grupom klientów. Przykładowo istnieją karty kredytowe przeznaczone dla studentów, karty kredytowe przeznaczone dla osób często podróżujących, karty kredytowe dla seniorów, karty kredytowe dla młodych rodziców itp. Dzięki zastosowaniu modelu predykcyjnego do określenia rodzaju karty kredytowej, jaką należy zaoferować konkretnemu klientowi, możemy poprawić efektywność kampanii sprzedażowej" (M. Firlej, M. Wnuk 2017, s. 68).


Bibliografia

  • Bartman J. (2012). Sztuczne sieci neuronowe
  • Firlej M., Wnuk M. (2017). Algorytmy neuronowe - zastosowanie w platformie finansowej Zeszyty Naukowe Wyższej Szkoły Ekonomii i Informatyki w Krakowie
  • Krzyśko M., Wołyński W., Górecki T., Skorzybut M. (2008). Systemy uczące się Wydawnictwo WNT
  • Kulczycki P., Hryniewicz O., Kacprzyk J. (2007). Techniki informacyjne w badaniach systemowych Wydawnictwo WNT
  • Morajda J. (2012). Mapy neuronowe w analizie i eksploracji danych ekonomicznych Wydawnictwo Uniwersytetu Ekonomicznego w Krakowie
  • Stęgowski Z. (2004). Sztuczne sieci neuronowe Wydział Fizyki i Techniki Jądrowej, AGH

Autor: Patrycja Rygiel