Нейронные сети. Лекция 1 - пример нейронной сети, основы работы, примеры датасетов

В данной лекции приведено описание базовых принципов работы с нейронными сетями.

[@nadezhdamartynova5614]

Я бесконечно благодарна за то, что такая информация выложена бесплатно в соц.сетях. спасибо за вашу работу. Но дана теоретическая часть очень сложно, очень сухо. Многие вещи рассказаны настолько сжато, что непонятно, о чем идет речь.

[@АлександрВальвачев-я6ъ]

Полезной информации - ноль. Структуризация бездарна. Жаль.... тема актуальная.

[@polar_fox24]

Извлечет слушающий пользу или нет ещё и от самого слушающего зависит.

[@БереговоеФеодосия]

Так просто материал может подать человек, который разбирается в теме. Спасибо.

[@yuralamov9835]

Бля, раньше называли просто OCR, а теперь искусственный разум

[@andreyfly4331]

Хорошо бы ссылку на ноутбук, иначе невозможно все это усвоить.

[@morispioneer632]

"метод вычисления градиента" - градиента чего ?? Или градиент это нечто конкретное, как например портфель? Просто портфель. Но даже портфель непрост. Он бывает как сумка, а бывает портфель ценных бумаг.

[@koshechkintube]

Градиент - это величина, которая показывает скорость изменения функции в каждой точке ее области определения. В контексте обучения нейронных сетей градиент обычно используется для вычисления ошибки и обновления весов нейронов. Метод вычисления градиента в обучении нейронных сетей основан на правиле дифференцирования. Для вычисления градиента функции необходимо вычислить производную этой функции по каждому из ее аргументов. В случае нейронной сети, функция может быть представлена как совокупность функций активации нейронов, а аргументами будут входные данные. Процесс вычисления градиента начинается с вычисления ошибки на выходном слое нейронов. Затем ошибка распространяется назад через слои нейронов, и для каждого слоя вычисляется градиент функции потерь относительно весов этого слоя. После этого происходит обновление весов каждого слоя с помощью метода обратного распространения ошибки. В целом, метод вычисления градиента является ключевой частью процесса обучения нейронных сетей и позволяет находить оптимальные веса нейронов для минимизации ошибки.

[@morispioneer632]

спасибо большое за ваш ответ, но ... бывает например градиент температуры. Или градиент скорости. Или градиент яркости света. @@koshechkintube

[@InStoKiller]

Стохастический Градиентный Спуск

[@trelawney8530]

@@morispioneer632 это ответ нейросети, если что)

[@ruslanvist9958]

​​@@koshechkintubeнаверное не скорость изменения функции, а скорость изменения результата функции