Нейрокомпьютинг и его применения в экономике и бизнесе



             

Являются ли нейронные сети языком описания?


Как уже отмечалось, некоторые статистики утверждают, что нейросетевые подходы к обработке данных являются просто заново переоткрытыми и переформулированными, но хорошо известными статистическими методами анализа. Иными словами, нейрокомпьютинг просто пользуется новым языком для описания старого знания. В качестве примера приведем цитату из Уоррена Сэрла:

Многие исследователи нейронных сетей являются инженерами, физиками, нейрофизиологами, психологами или специалистами по компьютерам, которые мало знают о статистике и нелинейной оптимизации. Исследователи нейронных сетей постоянно переоткрывают методы, которые известны в математической и статистической литературе десятилетиями и столетиями, но часто оказываются неспособными понять как работают эти методы

Подобная точка зрения, на первый взгляд, может показаться обоснованной. Формализм нейронных сетей действительно способен претендовать на роль универсального языка. Не случайно уже в пионерской работе МакКаллока и Питтса было показано, что нейросетевое описание эквивалентно описанию логики высказываний.

Я в действительности обнаружил, что с помощью с помощью техники, которую я разработал в работе1961 года (…), я мог бы легко ответить на все вопросы, которые мне задают специалисты по мозгу (...) или компьютерщики. Как физик, однако, я хорошо знал, что теория, которая объясняет все, на самом деле не объясняет ничего: в лучшем случае она является языком. Эдуардо Каянелло

Не удивительно поэтому, что статистики часто обнаруживают, что привычные им понятия имеют свои аналоги в теории нейронных сетей. Уоррен Сэрл составил небольшой словарик терминов, использующихся в этих двух областях.

Таблица 11.1.

Словарь аналогичных терминов

Нейронные сетиСтатистические методы.
Признакипеременные
входынезависимые переменные
выходыпредсказанные значения
целевые значениязависимые переменные
ошибканевязка
обучение, адаптация, самоорганизацияоценка
функция ошибки, функция Ляпуновакритерий оценки
обучающие образы (пары)наблюдения
параметры сети: веса, пороги.Оценочные параметры
нейроны высокого порядкавзаимодействия
функциональные связитрансформации
обучение с учителем или гетероассоциациярегрессия и дискриминантный анализ
обучение без учителя или автоассоциациясжатие данных
соревновательное обучение, адаптивная векторная квантизациякластерный анализ
обобщениеинтерполяция и экстраполяция




Содержание  Назад  Вперед