Neironu tīkli : ieejas datu un tīkla parametru ietekme uz apmācības procesu

Abstract

Darbs aplūko pamatjautājumus par izplatītāko neironu tīklu modeli - daudzslāņu perceptronu. Neironu tīklu darbība var tikt sadalīta divās fāzēs, izejas vērtību aprēķināšana un neironu tīkla brīvo parametru pielāgošana jeb apmācība. Neironu tīklu apmācība ir ļoti svarīgs jautājums, jo tiem ir tendence pār - apmācīties, kā rezultātā ārpus apmācāmo datu kopas neironu tīkls slikti tiek galā ar savu uzdevumu. Darbu formāli varētu sadalīt divās daļās, teorētiskajā un praktiskajā. Teorētiskās daļas mērķis ir iepazīties un izprast neironu tīklu darbības un apmācības teorētisko bāzi. Praktiskās daļas mērķis ir šo teoriju izmantot praksē - uzprogrammēt teorētiski aprakstītos algoritmus, kā arī pārbaudīt, vai, optimāli izvēloties neironu tīkla parametrus, ir iespējams iegūt tīkla korektu darbību ārpus apmācāmo datu kopas.

This work deals with basic questions about the most common neural network model - the multi layer perceptron. The whole activity of neural network can be devided in two phases, the calculation of output values and adjusting the parameters or training. The training of neural networks is specially important, because there is a tendency for neural network to over train resulting a bad performance outside the training data set. Work could be devided in two parts, in theoretical part and applied. In the theoretical part basic concepts about the calculation and training of neural networks are discussed. In the practical part training and calculating algorithms are programmed and their performace is analyzed on simulated data.