artificial neural network

artificial neural network (tsz. artificial neural networks)

1. (informatika, mesterséges intelligencia) mesterséges neurális hálózat

Az Artificial Neural Network, vagy mesterséges neurális hálózat egy olyan számítási modell, amelyet az emberi agy működése ihletett. A hálózat neuroncella-szerű egységekből (neuronokból) áll, amelyek kapcsolatokon keresztül információt továbbítanak és feldolgoznak.

A neurális hálózatokat a gépi tanulás és mesterséges intelligencia egyik legfontosabb eszközeként használják.

Az emberi agyban:

• neuronok veszik az impulzusokat,
• feldolgozzák, majd továbbküldik a következő sejteknek,
• és a kapcsolatok megerősödhetnek vagy gyengülhetnek a tanulás során.

Az ANN ugyanezt próbálja utánozni matematikai és számítási módon:

• Bemeneti adatok → feldolgozás több rétegen keresztül → kimenet

A neurális hálózat rétegekből áll, minden réteg neuronokat (csomópontokat) tartalmaz:

1. Input layer (bemeneti réteg)
   • A nyers adatokat fogadja (pl. képpontok, számok, szövegvektorok)
2. Hidden layers (rejtett rétegek)
   • A számításokat végzik, jellemzők kinyerése, mintafelismerés
   • Ezek száma és mélysége határozza meg, mennyire mély a hálózat
3. Output layer (kimeneti réteg)
   • Az eredményt adja: pl. osztálycímke, valószínűség, szám

1. Bemenet: x₁, x₂, ..., xn bemeneti értékek

2. Minden neuron számít:

   $${\displaystyle z=w_{1}x_{1}+w_{2}x_{2}+...+w_{n}x_{n}+b}$$

   ahol w súly, b bias

3. Aktivációs függvény: a z értékből „döntés” lesz:

   $${\displaystyle a=\sigma (z)}$$

4. A kimenet továbbmegy a következő réteg felé.

A neuron döntéseit nemlineáris aktivációs függvény szabályozza:

Függvény	Képlet	Használat
Sigmoid	${\textstyle {\frac {1}{1+e^{-z}}}}$	Régi hálózatokban
Tanh	${\textstyle \tanh(z)}$	±1 között skáláz
ReLU	${\textstyle \max(0,z)}$	Ma a leggyakoribb
Softmax	Kategóriákra osztályozás	Kimeneti rétegnél

A neurális hálózat úgy tanul, hogy:

1. Előrefelé számol → predikció
2. Összehasonlítja a valódi értékkel → hibát számít
3. Visszaterjeszti a hibát → minden súlyt módosít a tanulási szabály alapján (gradiens szerint)

Ezt a folyamatot nevezzük backpropagation-nek.

from keras.models import Sequential
from keras.layers import Dense

# 3 rétegű hálózat: 2 neuron input, 4 neuron rejtett réteg, 1 output
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# Fordítás és tanítás
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=)
model.fit(X_train, y_train, epochs=100, batch_size=10)

• Nem igényel kézi szabályokat – maga tanulja meg a mintákat
• Skálázható – több adatból jobban tanul
• Alkalmazkodóképes – új domainre is átvihető (transfer learning)

• Adatéhség – sok adat és tanítási idő kell
• Feketedoboz – nehéz értelmezni a belső döntéseket
• Túlillesztés (overfitting) – túltanulja a mintát, rossz új adatra
• Paraméterérzékenység – hiperparaméterek nehezen hangolhatók

• artificial neural network - Szótár.net (en-hu)
• artificial neural network - Sztaki (en-hu)
• artificial neural network - Merriam–Webster
• artificial neural network - Cambridge
• artificial neural network - WordNet
• artificial neural network - Яндекс (en-ru)
• artificial neural network - Google (en-hu)
• artificial neural network - Wikidata
• artificial neural network - Wikipédia (angol)