👣 🏇🏼 🚴🏻 Introdução às redes neurais 🧑🏻‍🤝‍🧑🏻 ✌🏽 👩🏼‍🤝‍👨🏽

Neste capítulo, apresentaremos as redes neurais e descobriremos para que foram projetadas. Este capítulo serve de base para os capítulos subsequentes, enquanto este mostra os conceitos básicos de redes neurais. Neste capítulo, cobriremos os seguintes tópicos:

Neurônios artificiais
Pesos e preconceitos
Funções de ativação
Camadas de neurônios
Implementando uma rede neural em Java

Descobrindo redes neurais

Primeiro, o termo "redes neurais" pode criar um instantâneo do cérebro em sua mente, em particular para aqueles que já se familiarizaram com ele. Isso é realmente verdade, pensamos no cérebro como uma grande rede neural natural. No entanto, o que podemos dizer sobre redes neurais artificiais ( RNAs )? Bem, começa com o antônimo natural e o primeiro pensamento que vem à nossa mente é a imagem de um cérebro artificial ou de um robô que leva em consideração o termo “ artificial" Neste caso, estamos tratando também da criação de uma estrutura semelhante e inspirada no cérebro humano; portanto, é chamado de inteligência artificial. Portanto, um leitor que não tem experiência anterior com RNA pode agora pensar que o livro ensina como construir sistemas inteligentes, incluindo um cérebro artificial que pode emular a consciência humana usando programas Java, certo? É claro que não cobriremos a criação de máquinas pensantes artificiais como na trilogia Matrix; entretanto, este livro explicará várias habilidades incríveis e o que essas estruturas podem fazer. Forneceremos ao leitor os códigos-fonte Java com a definição e criação das estruturas básicas da rede neural, aproveitando todas as vantagens da linguagem de programação Java.

Por que redes neurais artificiais?

, . (NN) ANN , NN ,

. , ANN? .

1940- Warren McCulloch Walter Pits , . , . McCulloch Pits , . , , , , , . , , , .

, McCulloch Pits , . , ; , , , . , , .

, ANN , , , , , . ANN , , .

,	,

, ANN — , . , , . , .

, . ( ), ( ), ( ), :

, .

—

, — , . , (inputs) (output), , . , , :

, , . , .

—

. , , . , , .

(Sygmoid)
(Hyberbolic tangent)
(Hard limiting threshold)
(linear)

,

:

— (weights)

, , , , . , , (weights) (output), . , inputs , (weights) . , , , — .

—

, .

—

, ; , , , . , , . , :

, . 3 :

1. Input layer;

2. Hidden layer;

3. Output layer;

,

,

.

/ . , .

, , . . , . , 2 :

1. :

1.1 (monolayer) ;

1.2 (multilayer) ;

2. :

2.1 (Feedforward networks);

2.2 (Feedback networks);

, . . : , Adaline( ), , (Elman) .

, , , :

– . , . , , , , , .

(feedforward networks)

. – feedforward, ; , , , . – feedforward .

(Feedback networks)

, , , , – feedback-. :

– , , , . , , . feedback – , (Elman) (Hopfield), , .

—

, . , . . , , . :

, , (supervised learning), , , ( ). , « », .

!

Java. Java — - , 1990- Sun Microsystems, Oracle 2010-. , Java , . - , Java, . — - , — , , car(, ) my car(, — ). Java ( ), - (). , — . :

: , , .
: , ((public) ), ((private) (protected)), .
: , ; , - . , , .
: , , .

, , , . , , , , , : , . . / , .

, , . , - , / . . , 6 , :

: Neuron

private ArrayList listOfWeightIn	ArrayList
private ArrayList listOfWeightOut	ArrayList

public double initNeuron()	listOfWeightIn, listOfWeightOut
	:
	:
public ArrayList getListOfWeightIn()	ListOfWeightIn
	:
	: , ListOfWeightIn
public void setListOfWeightIn(ArrayList listOfWeightIn)	ListOfWeightIn
	: ,
	:
public ArrayList getListOfWeightOut()	ListOfWeightOut
	:
	: , ListOfWeightOut
public void setListOfWeightOut(ArrayList listOfWeightOut)	ListOfWeightOut
	: ,
	:
: Neuron.java

: Layer
: .

private ArrayList listOfNeurons	ArrayList Neuron
private int numberOfNeuronsInLayer	, .

public ArrayList getListOfNeurons()	listOfNeurons
	:
	: listOfNeurons
public void setListOfNeurons(ArrayList listOfNeurons)	listOfNeurons
	: listOfNeurons
	:
public int getNumberOfNeuronsInLayer()	numberOfNeuronsInLayer
	:
	: numberOfNeuronsInLayer
public void setNumberOfNeuronsInLayer(int numberOfNeuronsInLayer)	numberOfNeuronsInLayer
	: numberOfNeuronsInLayer
	:
: Layer.java

: InputLayer
: Layer



public void initLayer(InputLayer inputLayer)
	: InputLayer
	:
public void printLayer(InputLayer inputLayer)
	: InputLayer
	:
: InputLayer.java

: HiddenLayer
: Layer



public ArrayList initLayer( HiddenLayer hiddenLayer, ArrayList listOfHiddenLayers, InputLayer inputLayer, OutputLayer outputLayer )	()
	: HiddenLayer, HiddenLayer, InputLayer, OutputLayer
	:
public void printLayer(ArrayList listOfHiddenLayers)	()
	: HiddenLayer
	:
: HiddenLayer.java

: OutputLayer
: Layer



public void initLayer(OutputLayer outputLayer)
	: OutputLayer
	:
public void printLayer(OutputLayer outputLayer)
	: OutputLayer
	:
: OutputLayer.java

: NeuralNet
: ( , , ). : .

private InputLayer inputLayer	InputLayer
private HiddenLayer hiddenLayer	HiddenLayer
private ArrayList listOfHiddenLayer	ArrayList HiddenLayer.
private OutputLayer outputLayer	OutputLayer
private int numberOfHiddenLayers	,

public void initNet()	.
	:
	:
public void printNet()	. .
	:
	:
: NeuralNet.java

— (UML). UML , , , , , / . : , .

, NeuralNet, n. n ( ), initNet () printNet () n, , . , :

public class NeuralNetTest {
    public static void main(String[] args) {
        NeuralNet n = new NeuralNet();
        n.initNet();
        n.printNet();
    }
}

, , , . , , :

Neste capítulo, vimos uma introdução às redes neurais, o que são, para que são usadas e seus conceitos básicos. Também vimos uma implementação muito simples de uma rede neural na linguagem de programação Java, na qual aplicamos os conceitos teóricos da rede neural na prática, codificando cada um dos elementos da rede neural. É importante compreender os conceitos básicos antes de passarmos para os conceitos avançados. O mesmo é verdade para o código Java. No próximo capítulo, vamos nos aprofundar no processo de treinamento de redes neurais e explorar os diferentes tipos de inclinações com exemplos simples.

Do tradutor

Livro original: Neural Network Programming with Java

Introdução às redes neurais