Prehľad alternatívnych algoritmov k Backpropagation neurónovým sietiam
Riešenie problémov súvisiacich s nedostatkami backpropagation algoritmu učenia, ako najfrekventovanejšieho spôsobu učenia neurónových sietí. Neurónové siete v súčasnosti už prakticky nahrádzajú klasické štatistické metódy vo výskume v oblasti ekonómie manažmentu. Dôvodov je hneď niekoľko. Tým prvým...
Saved in:
| Main Author: | |
|---|---|
| Format: | Book Chapter |
| Language: | Slovak |
| Subjects: | |
| Tags: |
No Tags, Be the first to tag this record!
|
| Summary: | Riešenie problémov súvisiacich s nedostatkami backpropagation algoritmu učenia, ako najfrekventovanejšieho spôsobu učenia neurónových sietí. Neurónové siete v súčasnosti už prakticky nahrádzajú klasické štatistické metódy vo výskume v oblasti ekonómie manažmentu. Dôvodov je hneď niekoľko. Tým prvým je, že model neurónovej siete nemusí spĺňať žiadne štatistické predpoklady ako v prípade tradičných štatistických metód (normálnosť rozdelenia dát, homoskedasticita, lineárnosť atď.). Neurónové siete dokážu rozpoznať aj nelineárne vzťahy medzi premennými. Ďalšou výhodou je ich presnosť a výkonnosť, čo dokazuje nespočetné množstvo štúdií zameraných na porovnanie modelov umelej inteligencie a klasických štatistických metód. Na druhej strane sa často neurónovým sieťam vyčíta, že predstavuje určitý black-box. Tvorca neurónovej siete vloží vstupné premenné a na konci trénovania dostane výstupnú premennú. Celý proces, ako prebieha aktualizácia váh v skrytých vrstvách neurónov siete, je zahalený, čo v podstate dáva tušiť aj názov siete (skrytá sieť). Tento nedostatok sťažuje praktickú aplikáciu výsledkov neurónovej siete hlavne v oblasti riadenia, rozhodovania a manažmentu. |
|---|