"Нейронные сети и их применение"

МУНИЦИПАЛЬНОЕ АВТОНОМНОЕ НЕТИПОВОЕ ОБЩЕОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ «ГИМНАЗИЯ №2»

Секция «Информационные технологии»

Возрастная номинация: 9-11 класс

Проектная работа по теме:

«Нейронные сети и их применение»

Выполнил:

Бубнов Илья,

ученик 11 «А» класса

Руководители:

Куренко Нина Витальевна,

учитель информатики,

Баранова Татьяна Александровна,

учитель информатики

г. Мариинск

2022 год

Введение 3

Основная часть 4

1.1 Что такое нейронные сети 4

1.2 Применение нейронных сетей 4

1.3 Применение нейронной сети в распознавании изображений 7

1.4.1 Как нейросеть решает задачи по распознаванию образов 8

1.4.2 Обучение нейронных сетей 9

1.5 Создание сайта в конструкторе Wix 10

Заключение 4

Список использованных источников литературы 4

Введение

В настоящее время искусственные нейронные сети широко используются при решении самых разнообразных задач особенно там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными. Например, при распознавании текстов, игре на фондовых рынках, контекстной рекламе в Интернете, фильтрации спама, проверки проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения и др. Решения на основе искусственных нейронных сетей становятся все более совершенными и популярными, поэтому можно предположить, что и в будущем искусственные нейронные сети будут широко использоваться за счет лучшего понимания их основополагающих принципов.

Поэтому целью данного проекта является: изучение нейронных сетей и способов их применения. А также создание веб-сайта для обобщения всего изученного материала.

Задачи проекта:

• Дать понятие нейронной сети

• Выяснить где применяются нейронные сети

• Подобрать информацию для создания сайта о нейронных сетях

• Создать сайт с применением технологий нейронных сетей.

Основная часть

Термин "нейронная сеть" появился в середине XX века. Первые работы, в которых были получены основные результаты в данном направлении, были проделаны Мак-Каллоком и Питтсом. В 1943 году ими была разработана компьютерная модель нейронной сети на основе математических алгоритмов и теории деятельности головного мозга. Они выдвинули предположение, что нейроны можно упрощённо рассматривать как устройства, оперирующие двоичными числами, и назвали эту модель "пороговой логикой". Подобно своему биологическому прототипу нейроны Мак-Каллока-Питтса были способны обучаться путём подстройки параметров, описывающих синаптическую проводимость. Исследователи предложили конструкцию сети из электронных нейронов и показали, что подобная сеть может выполнять практически любые вообразимые числовые или логические операции. Мак-Каллок и Питтс предположили, что такая сеть в состоянии также обучаться, распознавать образы, обобщать, т. е. обладает всеми чертами интеллекта.

1.1 Что такое нейронная сеть

Нейронная сеть — это метод в искусственном интеллекте, который учит компьютеры обрабатывать данные таким же способом, как и человеческий мозг. Это тип процесса машинного обучения, называемый глубоким обучением, который использует взаимосвязанные узлы или нейроны в слоистой структуре, напоминающей человеческий мозг. Он создает адаптивную систему, с помощью которой компьютеры учатся на своих ошибках и постоянно совершенствуются. Таким образом, искусственные нейронные сети пытаются решать сложные задачи, такие как резюмирование документов или распознавание лиц, с более высокой точностью.

1.2 Применение нейронных сетей

Поисковые системы:

Яндекс и Google не первый год используют нейронные сети для обучения собственный поисковых систем, делая их «умнее». Они адаптируются под конкретного пользователя, узнают о его предпочтениях и выдают максимально релевантные результаты. Тот же принцип применяется и в контекстной и таргетированной рекламе.

Голосовые ассистенты:

Системы распознавания речи достигли такого уровня, что позволяют распознать вопрос и предоставить информацию по нему, или выполнить ту или иную функцию. Эти голосовые ассистенты внедряются в технику, поэтому мы можем голосом попросить включить медленную музыкальную композицию, притушить свет в комнате, открыть окно на проветривание и поставить таймер на приготовление еды в мультиварке.

Автономное управление автомобилем:

Управление без участия водителя – это уже реальность сегодняшнего дня. Благодаря нейронной сети, что входит в комплекс систем автономного управления, автомобиль может передвигаться в автоматическом режиме, соблюдая все правила дорожного движения.

Фотофильтры:

Работа с графикой – самое популярное направление нейросети. С ее помощью можно накладывать множество фильтров на фото и видео, используя дополнительную реальность. Еще, множество фотографий можно прогонять через специальные приложения, чтобы получить на выходе эффекты молодости, старения, смены пола и прочие прелести вполне качественного автоматического фотошопа.

Распознавание речи по губам лучше человека:

Это удалось сделать разработчикам из Оксфордского университета. В качестве исходного материала авторы работы взяли базу данных Grid, в которой было собрано более 32 тысяч видеозаписей и, следуя алгоритму, обучали нейросеть. Результаты тестирования показали, что LipNet может правильно распознавать речь по губам в 93,4 процентах случаев. Это должно серьезно помочь для людей с нарушениями слуха.

Прогнозирование погоды:

Этим занимается, например, «Яндекс.Погода»: применяется специальный алгоритм на основе нейронных сетей, который прогнозирует метеорологические изменения с точностью до минут.

Кроме того, достижения современных искусственных нейронных сетей позволяют решать следующие классы задач:

1) Задача классификации образов. Суть задачи заключается в определении принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам.

2) Задачи кластеризации и категоризации. Решение данного класса задач основано на подобии образов и размещении близких образов в одном кластере.

3) Задачи аппроксимации функций. Суть задачи: пусть имеется обучающая выборка ((X 1 , Y 2 ), (X 2 , Y 2 ),..., (X N , Y N )), генерируемая неизвестной функцией, которая подверглась искажению шумом, требуется. найти оценки этой функции.

4) Задачи прогнозирования и предсказания. Суть задачи: имеется N дискретных отсчетов {y(t 1 ),y(t 2 ),..., y(t n )} в последовательные моменты времени t 1 , t 2 ,..., t n , необходимо найти прогнозное значения y(t n+1 ) в момент t n+1 .

5) Задачи оптимизации. Суть задачи: найти максимальное или минимальное значение целевой функции, удовлетворяющее системе ограничений.

C помощью искусственных нейронных сетей можно решать задачи из разнообразных областей, а именно: обработка зашумленных данных, распознавание и дополнение образов, распознавание речи, ассоциативный поиск, абстрагирование, классификация, прогнозирование, оптимизация, составление расписаний, диагностика, обработка сигналов, управление процессами, сегментация сигналов и данных, моделирование сложных процессов, сжатие информации, машинное зрение. [1]

1.3 Применение нейронной сети в распознавании изображений

Работа с изображениями — важная сфера применения технологий Deep Learning. Глобально все изображения со всех камер мира составляют библиотеку неструктурированных данных. Задействовав нейросети, машинное обучение и искусственный интеллект, эти данные структурируют и используют для выполнения различных задач: бытовых, социальных, профессиональных и государственных, в частности, обеспечения безопасности.

Теория

Основой всех архитектур для видеонаблюдения является анализ, первой фазой которого будет распознавание изображения (объекта). Затем искусственный интеллект с помощью машинного обучения распознает действия и классифицирует их.

Для того чтобы распознать изображение, нейронная сеть должна быть прежде обучена на данных. Это очень похоже на нейронные связи в человеческом мозге — мы обладаем определенными знаниями, видим объект, анализируем его и идентифицируем.

Нейросети требовательны к размеру и качеству набора данных, на котором она будет обучаться. Этот набор можно загрузить из открытых источников или собрать самостоятельно.

Практика

На практике означает, что до определённого предела, чем больше скрытых слоев в нейронной сети, тем точнее будет распознано изображение. Как это реализуется?

Картинка разбивается на маленькие участки, вплоть до нескольких пикселей, каждый из которых будет входным нейроном. С помощью синапсов сигналы передаются от одного слоя к другому. Во время этого процесса сотни тысяч нейронов с миллионами параметров сравнивают полученные сигналы с уже обработанными данными.

Проще говоря, если мы просим машину распознать фотографию кошки, мы разобьем фото на маленькие кусочки и будем сравнивать эти слои с миллионами уже имеющихся изображений кошек, значения признаков которых сеть выучила.

В какой-то момент увеличение числа слоёв приводит к просто запоминанию выборки, а не обучению.

1.4.1 Как нейросеть решает задачи по распознаванию образов

В качестве распознаваемых образов могут выступать самые разные объекты, включая изображения, рукописный или печатный текст, звуки и многое другое. При обучении сети ей предлагаются различные образцы с меткой того, к какому именно типу их можно отнести. В качестве образца применяется вектор значений признаков, а совокупность признаков в этих условиях должна позволить однозначно определить, с каким классом образов имеет дело нейронная сеть.

Важно при обучении научить сеть определять не только достаточное количество и значения признаков, чтобы выдавать хорошую точность на новых изображениях, но и не переобучиться, то есть, излишне не «подстроиться» под обучающую выборку из изображений. После завершения правильного обучения нейронная сеть должна уметь определять образы (тех же классов), с которыми она не имела дела в процессе обучения.

Важно учитывать, что исходные данные для нейросети должны быть однозначны и непротиворечивы, чтобы не возникали ситуации, когда нейронная сеть будет выдавать высокие вероятности принадлежности одного объекта к нескольким классам.

1.4.2 Обучение нейронных сетей

Машинное обучение с учителем - при обучении нейронная сеть для распознавания образов с учителем имеется выборка с истинными ответами на вопрос, что изображено на картинке – метками классов. Нейросети подаются на вход эти изображения, после чего вычисляется ошибка, сравнивающая выходные значения с истинными метками классов. В зависимости от степени и характера несоответствия предсказания нейронной сети, её веса корректируются, ответы сети подстраиваются под истинные ответы, пока ошибка не станет минимальной.

Обучение без учителя - В этом случае у обучающей выборки нет меток классов, и перед НС стоит задача найти заранее не известные ответы. Нейронная сеть пытается самостоятельно найти закономерности в данных, извлекая полезные признаки и анализируя их. Например, кластеризация — наиболее распространенная задача для обучения без учителя. Алгоритм подбирает похожие данные, находя общие признаки, и группируют их вместе.
В обучении без учителя сложно вычислить точность алгоритма, так как в данных отсутствуют «правильные ответы» или метки. Но размеченные данные бывает сложно или слишком дорого получить. В таких случаях, предоставляя модели свободу действий для поиска зависимостей, можно получить определённый результат. [2]

1. Top of Form

Top of Form

1.5 Создание сайта в конструкторе Wix

На сегодняшний день существует множество технологий для создания сайта. Эти технологии условно можно разделить на следующие подвиды:

• Разметка веб документа (HTML, CSS)

• Языки программирования и базы данных (PHP, JavaScript, MySQL)

• Графика и файловая система

• Программы и инструменты (конструкторы сайтов)

• CMS

Большой спрос на услуги простого создания сайта с минимальным начальным бюджетом, открыла перспективы для появления онлайн-конструкторов сайтов. С их помощью можно, не имея фундаментальных знаний в разработке, собрать веб-сайт из типовых блоков в визуальном редакторе.

С развитием услуги и спроса на нее, функционал конструкторов сайтов становится богаче, и возможности шире. Разные ресурсы соревнуются между собой в функциональных возможностях и ассортименте плагинов и расширений для клиентов.

Основная идея конструкторов ‒ сделать доступной сборку профессионального веб-сайта для людей без технических знаний верстки, дизайна, администрирования веб-ресурсов. Чтобы задача создать веб-сайт по сложности была на уровне публикации поста в социальных сетях: просто редактируя текст и элементы мультимедиа, перетаскивая их с помощью мышки в дружественном визуальном редакторе.

Современные конструкторы веб-страниц достигли такого уровня, что уже напоминают визуальные мини-CMS, в которых дизайн редактируется отдельно, а текст ‒ отдельно. Это значит, можно не бояться, что какая-то часть верстки «поползет», если клиент захочет изменить текст, добавить новый слоган на главной странице или пополнить подборку отзывов от пользователей. [3]

Для создания сайта, посвященного нейронным сетям, был выбран конструктор- платформа Wix.com. Среди онлайн-сервисов для самостоятельного создания сайтов WIX занимает лидирующие позиции. Конструктор создан в 2006 году. WIX выбирают для создания интернет-магазинов, блогов и портфолио. На его базе создано более 175 миллионов сайтов.

Приложение позволяет клиентам выбрать дизайн с уже готовым функционалом среди более 500 шаблонов в конструкторе сайтов, работающем на технологии Drag&Drop. Базовые варианты сайтов сами подстраиваются под размер дисплея при просмотре на любых типах устройств ‒ будь то компьютер, смартфон или планшет.

Для более глубокой настройки мобильной версии веб-сайта есть встроенные автоматизированные функции. Одна из них ‒ tap-to-call: пользователю, достаточно кликнуть по номеру телефона на экране.

Опытные пользователи используют WixCode для написания веб-сайта с нуля на базе WIX. Ручному html конструктору сайтов можно предпочесть работу WixADI ‒ искусственный интеллект (нейронная сеть) соберет веб-сайт лишь на основе заполненной анкеты клиента.

1). Любой тип веб-сайтов в Wix создается одинаково. Зарегистрироваться на данном конструкторе для создания сайта можно за пару минут, вписав свою почту и придумав пароль. Так же можно использовать свой Google аккаунт, чтобы ускорить регистрацию и сразу приступить к созданию сайта.

Следующим этапом вводим название создаваемого сайта:

Рисунок 1

2). Выбираем автоматическое создание сайта WixADI, то есть с применением технологий нейронных сетей:

Рисунок 2

3). Выбираем шаблон для создания будущего сайта:

Рисунок 3

4). Выбираем дизайн сайта:

Рисунок 4

5). Далее, производим информационное наполнение сайта (осуществляем замену изображений и текста шаблонов).

Сюда добавить скриншоты созданного сайта. Все рисунки подписать, как у меня.

На сайте указана обобщенная информация о нейронных сетях и их применении, которая будет понятна любому пользователю.

Как можно заметить, создать сайт в конструкторе Wix легче, чем это кажется на самом деле. Любой, даже не опытный, пользователь справится с созданием сайта в данном конструкторе.

Заключение

Исходя из истории развития искусственных нейронных сетей и их современного состояния можно предположить, что в ближайшем будущем продолжится совершенствование алгоритмов обучения нейронных сетей в режиме реального времени, алгоритмов обработки естественных языков, методов распознавания изображений, речи, сигналов, разработки моделей интеллектуального интерфейса, способного подстраиваться под требования пользователя. Также продолжат в дальнейшем совершенствоваться искусственные нейронные сети, используемые в финансовом прогнозировании, в информационной безопасности (шифрование данных, контроль трафика в компьютерных сетях), археологических данных.

Искусственные нейронные сети пройдут тот же путь, что и компьютеры: будут постепенно увеличивать свои возможности и производительность, находя области использования по мере появления новых задач и развития технической базы для их разработки. Также намечается перспектива модификации интерфейса взаимодействия пользователя с нейронной сетью — интерфейс будет основан на новом виде программного обеспечения («Agentware») — интеллектуальных агентах. Агенты будут осуществлять взаимодействие не только со своим пользователем, но и с другими такими же агентами и со специальными сервисами. Вследствие этого в сети возникнет новый социум с самообучающимися агентами, принимающими решения от имени пользователя.

В ходе проекта был разработан веб-сайт с помощью платформы – конструктора WIX, работающей с применением технологий искусственного интеллекта. Созданный сайт содержит наиболее общую и понятную информацию для всех, кто желает самостоятельно разобраться с понятием нейронных сетей, их устройством и областями применения.

Список использованных источников литературы:

1. Каллан Роберт Основные концепции нейронных сетей: Пер. с агл. — М.: Вильямс, 2001. — 287 с.

2. Цаунит, А. Н. Перспективы развития и применения нейронных сетей / А. Н. Цаунит. — Текст : непосредственный // Молодой ученый. — 2021. — № 23 (365). — С. 114-117. — URL: https://moluch.ru/archive/365/81791/ (дата обращения: 18.10.2022)

3. https://www.plerdy.com/ru/blog/website-builders-review/