Może najpierw zobrazuję co mam na myśli, przykładowo uczymy się żonglować 3 piłkami i w pewnym momencie, boli nas głowa w jakimś miejscu, czujemy jakby, nowy neuron się utworzył
i akurat zaczyna nam wychodzić żonglowanie.
Skąd taki neuron wie, że dobrze wykonał swoją pracę?
Jest matematyczny odpowiednik neuronu, i tu jest moje pytanie jak programowo wygląda nauczenie takiego neuronu?
jak programowo wygląda nauczenie takiego neuronu
W skrócie: modyfikujesz wagi przypisywane różnym wejściom neuronu aż sieć nie zacznie dawać dobrych wyników dla wszystkich zestawów uczących. Można to robić np. za pomocą wstecznej propagacji, tzn na podstawie tego jak daleko aktualna odpowiedź sieci jest od wartości oczekiwanej.
Szalony Terrorysta napisał(a):
Jest matematyczny odpowiednik neuronu, i tu jest moje pytanie jak programowo wygląda nauczenie takiego neuronu?
Neuron posiada określoną funkcję aktywacji, która mówi w jaki sposób neuron odpowiada na dane wejściowe.
Masz zbiór danych uczących, czyli par dane wejściowe - dane wyjście.
Dla każdego wiersza danych wejściowych obliczasz różnicę, między tym co odpowiada twój neuron a pożądanym wyjściem - czyli błąd.
Mając błąd starasz się tak dopasować parametry funkcji aktywacji, żeby następnym razem, dla tych samych danych błąd był mniejszy (to tak w skrócie, w rzeczywistości w końcu spowoduje to tzw. overfitting).
Robi się to zazwyczaj obliczając pochodną błędu względem wspomnianego parametru, a następnie modyfikacji parametru "w przeciwnym kierunku" niż wskazuje pochodna.
Opisałem proces uczenia jednego neuronu, w praktyce żeby mieć sensowne wyniki należy zastosować sieć z co najmniej kilkoma neuronami.