нейронные сети - краткая история

История развития нейронных сетей. Архитектура. https://github.com/TAUforPython/BioMedAI.git 0:00:01 Введение в нейронные сети 00:03:01 История и междисциплинарность • Нейронные сети как междисциплинарное знание. • История зарождения искусственного интеллекта в 1950-х годах. • Важность работ Мак-Каллока и Питтса в 1943 году. 00:05:48 Развитие моделей нейронных сетей • Современные исследования нейронных связей. • Фрэнк Розенблат и его работа с персептроном в 1958 году. • Открытие эры искусственного интеллекта в 1950-х годах. 00:10:46 Проблемы и ограничения • Проблемы воссоздания искусственного интеллекта. • Проклятие размерностей и необходимость мощных компьютеров. • Задача Марвина Минского 1971 года и её сложность. 00:14:05 Трагическая гибель Фрэнка Розенблата • В 1971 году Фрэнк Розенблат погиб в день своего рождения, катаясь на лодке. • Его смерть оборвала золотую эру развития нейронных сетей и искусственного интеллекта. • В Минске никто не решился противоречить Розенблату, что задержало развитие нейронных сетей. 00:14:33 Проблемы персептрона • Персептрон решал только узкую задачу и не мог решать линейно неразделимые задачи. • В то время компьютерная техника использовала алгоритмы фон Неймана, что ограничивало возможности нейронных сетей. • Решение проблемы потребовало создания дополнительных скрытых слоев. 00:17:18 Метод обратного распространения ошибки • В 1974 году Пауль Вербоуз предложил метод обратного распространения ошибки. • В 1998 году Цыбенко доказал, что нейронные сети могут решать любые задачи. 00:24:23 Теорема Хэкета-Нильсона • Теорема Хэкета-Нильсона показывает, как определять количество скрытых слоев и нейронов. • Это помогает в выборе архитектуры нейронной сети для конкретной задачи. 00:25:37 Сверточные нейронные сети • Сверточные нейронные сети обучаются за счет изменения весовых коэффициентов. • Они используются для работы с изображениями и другими большими данными. 00:28:42 Рекуррентные нейронные сети • Рекуррентные нейронные сети запоминают предыдущие шаги и метки времени. • Они содержат обратную связь и могут запоминать большие последовательности. 00:32:06 Введение в автоэнкодеры • Рекуррентные нейронные сети позволяли строить последовательности и прогнозировать. • Объединение рекуррентных сетей с сверточными создало автоэнкодеры. • Автоэнкодеры тренируются для получения скрытого пространства, что привело к созданию языковых моделей. 00:33:48 Фильтрация и внимание • Автоэнкодеры могут фильтровать шум, что позволяет создавать системы фильтрации. • В 2017 году статья добавила механизм внимания в автоэнкодеры. • Внимание позволяет выделять важные элементы в последовательности, что улучшает понимание текста. 00:36:59 Условная вероятность и внимание • Условная вероятность помогает нейронным сетям понимать контекст. • Пример с романом "Война и мир" показывает, как сеть может распознавать важные элементы. • Внимание и условная вероятность формируют алгоритм, который выбирает наиболее вероятный контекст. 00:39:22 Генеративные модели и дискриминаторы • Генеративные модели, такие как GPT-5, используют дискриминаторы для отбраковки нереальных данных. • Это создает искусственный интеллект, который может генерировать и отбраковывать данные. • В 2024 году появилась новая постановка задачи, основанная на теореме Колмогорова-Арнольда. 00:42:41 Обучение нейронных сетей • Нейронные сети обучаются на дата-сетах, разделенных на блоки для обучения, проверки и тестирования. • Метод трансферного обучения позволяет использовать обученные модели для новых задач. • Пример с медицинскими данными показывает, как нейронные сети могут применяться в медицине. 00:46:18 Практическое применение • Нейронные сети содержат слои и нейроны, что позволяет решать задачи регрессии и классификации. • Пример с простой задачей регрессии показывает, как сеть справляется с задачей. • Переобучение сети можно имитировать, усложняя структуру, что приводит к ухудшению результатов. 00:49:32 Обзор моделей генерации изображений 00:51:56 Генерация видео • Переход к генерации видео в DeepAI. • Пример: студент, изучающий data science. • Ошибки нейронных сетей: неправильные изображения рук и других деталей. 00:53:06 Решение математических задач • Использование предобученной математической модели. • Пример задачи из ЕГЭ: поиск объема правильного четырехугольника. • Модель распознает картинку и подставляет формулы для решения задачи. 00:55:27 Анализ кардиосигнала • Пример с кардиосигналом и записями врачей. • Объединение данных в имбединг и формирование нового датасета. • Обучение нейронной сети с помощью платформы BlueCast Emel.

Видео нейронные сети - краткая история автора BaumanAI_video