Τεχνητά Νευρωνικά Δίκτυα

Abstract

Μετά από μια εισαγωγική παρουσίαση βιολογικών νευρωνικών δικτύων, παρουσιάζονται βασικές έννοιες νευρωνικού υπολογισμού με έμφαση σε παράλληλο και κατανεμημένο υπολογισμό καθώς και στην ικανότητα μάθησης. Γίνεται ο διαχωρισμός μεταξύ μάθησης χωρίς δάσκαλο και μάθησης με δάσκαλο. Στη βάση της γραμμικής άλγεβρας παρουσιάζονται αναλυτικά τα απλούστερα νευρωνικά δίκτυα Perceptrons και, στη συνέχεια, τα πιο πολύπλοκα δίκτυα οπισθόδρομης μάθησης και ο κανόνας μάθησης Δέλτα. Κατόπιν, παρουσιάζονται νευρωνικά δίκτυα της Θεωρίας Προσαρμοστικού Συντονισμού με προέλευση από την ψυχολογία καθώς και νευρωνικά δίκτυα αυτό-οργανούμενων χαρτών με προέλευση από την νευρο-φυσιολογία. Τέλος, παρουσιάζονται πλέον σύγχρονες τάσεις που έχουν να κάνουν με νευρωνικά δίκτυα Χρονικών Παλμών τα οποία μπορούν να συνυπολογίζουν τον χρόνο.

After an introductory presentation of biological neural networks, basic concepts of neural computation are introduced, emphasizing parallel and distributed computing capabilities as well as learning abilities. The distinction between unsupervised and supervised learning is made. Linear algebra forms the basis for a detailed presentation of the simplest neural networks, Perceptrons, followed by more complex networks such as Backpropagation networks and the Delta learning rule. Subsequently, neural networks from Adaptive Resonance Theory originating from psychology are presented, along with self-organizing neural networks inspired by neurophysiology. Finally, contemporary trends are discussed, focusing on Spiking Neural Networks capable of processing temporal information.