Słownik pojęć

Sztuczne sieci neuronowe (ANN)

Czym jest Sztuczne sieci neuronowe (ANN)?

Sztuczne sieci neuronowe (ANN) to modele obliczeniowe złożone z wielu połączonych jednostek („neuronów”) ułożonych w warstwy, które przetwarzają dane wejściowe przez ważone połączenia. Podczas trenowania wagi są stopniowo dostosowywane na podstawie przykładów, zwykle metodą propagacji wstecznej. ANN są podstawą uczenia głębokiego i napędzają rozpoznawanie obrazów, rozpoznawanie mowy oraz duże modele językowe. Mimo biologicznej inspiracji działają znacznie prościej niż ludzki mózg.

Tematy

Deep learning
podstawy AI
modele

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Deep learning

Uczenie głębokie (deep learning) to gałąź uczenia maszynowego, która wykorzystuje sztuczne sieci neuronowe o wielu warstwach. Takie sieci uczą się z dużych ilości danych, które cechy mają znaczenie – od krawędzi na obrazach po relacje znaczeniowe w tekstach. Uczenie głębokie leży u podstaw dzisiejszych modeli językowych, rozpoznawania obrazów i mowy oraz tłumaczenia maszynowego i zazwyczaj wymaga znacznej mocy obliczeniowej oraz dużej ilości danych treningowych.

sieci neuronowe
uczenie maszynowe
+1

Backpropagation

Propagacja wsteczna (backpropagation) to standardowa metoda, za pomocą której uczą się sieci neuronowe. Po każdej predykcji mierzony jest błąd, który następnie propagowany jest wstecz przez warstwy sieci, co pokazuje, w jakim stopniu każda waga się do niego przyczyniła. Metoda optymalizacji, taka jak spadek gradientu, dostosowuje następnie wagi krok po kroku. Bez propagacji wstecznej trenowanie dzisiejszych modeli językowych i obrazowych byłoby praktycznie niemożliwe.

Sieci neuronowe
Training
+1

Funkcje aktywacji

Funkcje aktywacji określają, jak silnie neuron w sztucznej sieci neuronowej przekazuje dalej swój sygnał. Wprowadzają nieliniowość – dopiero dzięki niej sieć może odwzorowywać złożone zależności, takie jak język czy obrazy. Popularne przykłady to ReLU, która ustawia wartości ujemne na zero, sigmoida dla prawdopodobieństw z zakresu od 0 do 1 oraz GELU, stosowana w wielu modelach typu transformer. Wybór funkcji wpływa na szybkość i stabilność treningu.

Sieci neuronowe
Deep learning
+1

Transformer

Transformer to architektura sieci neuronowych przedstawiona w 2017 roku w artykule naukowym „Attention Is All You Need”. Jej rdzeniem jest mechanizm uwagi: każde słowo jest ważone w relacji do wszystkich pozostałych słów w tekście, a obliczenia można efektywnie zrównoleglać. Transformery stanowią podstawę dzisiejszych modeli językowych, takich jak GPT, Claude i BERT, i są też wykorzystywane do obrazów i dźwięku.

Architektura
Deep learning
+1