Retelele neuronale


În retelele neuronale informatia nu mai este memorata în zone bine precizate, ca în cazul calculatoarelor standard, ci este memorata difuz în toata reteaua. Memorarea se face stabilind valori corespunzatoare ale ponderilor conexiunilor sinaptice dintre neuronii retelei.
Un alt element important, care este, probabil, principalul responsabil pentru succesul modelelor conexioniste, este capacitatea retelelor neuronale de a învata din exemple. În mod traditional, pentru a rezolva o problema, trebuie sa elaboram un model (matematic, logic, lingvistic etc.) al acesteia. Apoi, pornind de la acest model, trebuie sa indicam o succesiune de operatii reprezentând algoritmul de rezolvare a problemei. Exista, însa, probleme practice de mare complexitate pentru care stabilirea unui algoritm, fie el si unul aproximativ, este dificila sau chiar imposibila.
În acest caz, problema nu poate fi abordata folosind un calculator traditional, indiferent de resursele de memorie si timp de calcul disponibil.
Caracteristic retelelor neuronale este faptul ca, pornind de la o multime de exemple, ele sunt capabile sa sintetizeze în mod implicit un anumit model al problemei.
Se poate spune ca o retea neuronala construieste singura algoritmul pentru rezolvarea unei probleme, daca îi furnizam o multime reprezentativa de cazuri particulare (exemple de instruire).
Inteligenta artificiala, ca si in cazul inteligentei biologice se dobândeste printr-un proces continuu si de durata de învatare, de aceea problema învatarii ocupa un loc important in cercetarea masinilor auto-instruibile (machine learning).
Prin învatarea automata se întelege studiul sistemelor capabile sa-si îmbunatateasca performantele, utilizând o multime de date de instruire.
Sistemele cu inteligenta artificiala obisnuite au capacitati de învatare foarte reduse sau nu au de loc. In cazul acestor sisteme cunoasterea trebuie sa fie programata in interiorul lor. Daca sistemele contin o eroare ,ele nu o vor