Page 8 - No30

TANULÁS, MODELLEZÉS, MINTAFELISMERÉS

Például egy 5 karakterből álló szavat 48 nyújtani. Mélyebben érdeklődő Az egyszerű MNH három különböző
bitből álló bitalakzat tárolja. olvasóinknak ajánljuk a megjelölt típusú rétegekből áll. Ezek a bemeneti
Az adathalmazok egységes bináris irodalmat. adatokat, például képek vagy szöveg
tárolása, a gépi felismerést sokszor igen digitális mintázatait fogadó bemeneti
nagyméretű bitalakzatok azonosítása A MESTERSÉGES NEURÁLIS réteg, a számításokat végző és a
jelenti. HÁLÓZATOK SZERKEZETE mintázatokat matematikai függvények
ÉS FUNKCIÓI segítségével észlelő rejtett rétegek és a
A GÉPI TANULÁS kimeneti réteg, amelyen megjelenik az
Többféle gépi tanulási algoritmus létezik. A eredmény. Ez utóbbi felismer például egy
különböző megközelítések mindegyike arcot egy képen jellegzetes részletei
különböző típusú problémák megoldására alapján, vagy előállítja egy szöveg
alkalmas. Az egyik ilyen a felügyelt tanulás, lefordított mondatát.
amely során a gép a bemeneti adatok Minden csomópont kapcsolódik a
mellett helyes kimeneti adatokat is kap. következő réteg minden csomópontjához.
Vagyis olyan adatokat is kap, amelyeket Ezeken a kapcsolatokon (szinapszis)
megjelölnek, megcímkéznek helyes keresztül áramlik az információ. A
adatként vagy válaszként. A hálózat tanul a kapcsolatokhoz súlyok (w ) tartoznak,
i
címkézett példákból. Például az emailek amelyek meghatározzák, hogy az egyik
vizsgálatakor a gép az adatok között több A mesterséges neurális hálózat (MNH) csomópont milyen erősen befolyásolja a
spam-ként megjelölt emailt is kap. A olyan csomópontok (neuronok) másikat. Ezeknek a súlyoknak egy tréning
későbbiekben ezek tulajdonságainak hálózata, amelyek az agy neuronjaihoz közbeni beállításával, finomítja a hálózat
felismerésével tudja eldönteni egy hasonlóan kapcsolódnak egymáshoz. képességét a pontos előrejelzések
e-mailről, spam vagy sem. Ilyen példák a Ezeket a hálózatokat különféle készítéséhez.
termékeket ajánló alkalmazások is, vagy a mesterséges intelligencia problémák A jelek a hálózatban a bemeneti
különböző napszakokban leggyorsabb megoldására használják, mint a rétegből a kimeneti réteg felé haladnak
útvonalat megjósló forgalomelemző modellezés és a mintafelismerés. A (előrehaladás). Az előrehaladás során a
alkalmazások, mint a Waze. neurális hálózat egy olyan algoritmust következő réteg minden csomópontjához
A felügyelet nélküli tanulási modellek használ, amely képes megtanulni az előző réteg csomópontjai jeleinek
nem kapnak mintákat a helyes megoldani a problémákat. súlyozott összege érkezik (z ), melyhez
j
eredményről. Az algoritmus Az egyes rétegekben előforduló még maga a csomópont is hozzájárulhat
tanulmányozza a bemeneti adatokat és neuronok, vagyis a csomópontok száma a (b ), melyet torzításnak neveznek. A b j
j
maga azonosítja a jellemző mintázataikat rétegekben és a rétegek száma is igen paraméter minden egyes csomópont
és korrelációikat, az összes releváns, változatos lehet, attól függően, hogy számára egy az előző rétegtől nem függő
hozzáférhető adatot felhasználva. A milyen feladatokat oldanak meg. Az további paraméterérték.
felügyeletnélküli tanulás hasonlít ahhoz, egyszerű neurális hálózatokban
ahogy az emberek megfigyelik néhány száz vagy ezer neuron található, és
környezetüket, majd később a egyszerűbb feladatokra használják őket,
tapasztalataik alapján tájékozódnak. mint például alapvető minta-felismerési
Ahogy egyre több jellemzőt felismernek, problémák.
egyre pontosabbá válik az a képességük a A nagyobb méretű hálózatok (a
tájékozódásra. A gépek esetében a mély neurális hálózatok) akár több millió
„tapasztalatot” a rendelkezésre bocsátott vagy milliárd neuront is tartalmazhatnak.
adatok mennyisége határozza meg. A Az OpenAI GPT-3 modellje például 175
felügyelet nélküli tanulási alkalmazások milliárd paraméterrel (vagyis súly és
példái, az arcfelismerés, a génszekvencia torzítás értékkel) rendelkezik, ami az
elemzés, a piackutatás vagy a egyik legnagyobb ismert hálózatot jelenti. A rejtett rétegekben minden csomópont
kiberbiztonság. Az olyan hálózatok, mint például a értékét, kimeneti jelét (a ) az előző réteg
J
A következőkben a mesterséges képfelismerésre vagy a beszédfelismerésre csomópontjaitól érkező jelek súlyozott
intelligencia algoritmusai közül a neurális tervezett modellek, szintén több millió összegétől (z ) függő aktiválási függvény
j
hálózatokon alapulók, -ezek közül is az neuront tartalmaznak. Ezek a komplex állítja elő a =S(z ). Ez a kimeneti jel
j
J
egyszerűbbek- működésébe és a felügyelt feladatok jelentős számítási kapacitást és határozza meg a csomópont
gépi tanulásba szeretnénk betekintést összetettséget igényelnek. hozzájárulását a következő réteg
8 KÉMIAI PANORÁMA 30. SZÁM, 2025. ÉVFOLYAM