Professional Documents
Culture Documents
02 Vjestacka Inteligencija
02 Vjestacka Inteligencija
VJETAKA INTELIGENCIJA
2
VJETAKA INTELIGENCIJA
Sam termin vjetaka inteligencija (VI) ili artificijelna inteligencija (AI) potie od Dona
Mekartija i smatra se da je prvi put upotrebljen u ljeto 1956. godine na sastanku
tadanjih vodeih naunika iz oblasti raunarskih nauka. Sasatanak je odran na
Dartmaut Koledu, u Hanoveru, Novi Hemir.
3
VJETAKA INTELIGENCIJA
Vjetaku inteligenciju moemo definisati kao naunu disciplinu pomou koje se elektronski
raunari programiraju za sloene zadatke sline zadacima koji se postavljaju pred ovjeka, ali
ne i na nain kako bi ih rjeavao ovjek.
Vjetaka inteligencija je nauna oblast u kojoj se izuavaju izraunavanja da bi se
izraunavanjem omoguila percepcija, rezonovanje i injenje.
Vjetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave raunari koji bi
uspjeno radili stvari koje u ovom momentu rade bolje ljudi.
Vjetaka inteligencija predstavlja mjeavinu konvencionalne nauke, fiziologije i psihologije, sve u
cilju da se napravi maina koja bi se, po ljudskim mjerilima, mogla smatrati "inteligentnom".
4
VJETAKA INTELIGENCIJA
5
VJETAKA INTELIGENCIJA
6
VJETAKA INTELIGENCIJA
7
VJETAKA INTELIGENCIJA
8
VJETAKA INTELIGENCIJA
9
VJETAKA INTELIGENCIJA
10
VJETAKA INTELIGENCIJA
Ljudski mozak pred raunarom ini se ipak ima nedostine prednosti. One se ogledaju u
sposobnosti obavljanja vrlo kreativnih i selektivnih pretraivanja podataka, uz
korienje sloenih i ne potpuno determinisanih kriterijuma. Karakteristika ljudskog
rasuivanja je kreativnost, sposobnost asocijacije, uoptavanje i mogunost
prevladavanja informacione podloge odluivanja putem originalnosti i novih ideja.
Karakteristika ovjeka je posjedovanje male i kratkotrajne memorije. S druge strane ljudski
mozak ima ima veliku dugotrajnu memoriju koja je organizovana ne na principu adresa
(kao kod raunara) nego na osnovu asocijacija. Kod kompjutera sposobnost asocijacije
je ograniena i zasniva se na krutim pravilima koja se prevode u egzaktne algoritme.
11
VJETAKA INTELIGENCIJA
Oksfordski filozof Lukas iznosi optu primjedbu u vezi sa stanjem vjetakog odnosno
mehanikog uma, a to je da mi pokuavamo da proizvedemo model uma koji je mehaniki,
koji je u sutini mrtav, dok um budui da je iv, uvijek moe da ode dalje od bilo kog
formalnog, okotalog, mrtvog sistema.
Drajfus u svojoj kritici vjetake inteligencije odbija mogunost da se nauno objasni inteligentno
ponaanje. To znai da se ljudski kontekst uopte ne moe formalizovati, bar ne na
sadanjem nivou kompjuterske tehnologije. Definitivno, za njega dananji stepen razvoja
raunarskih maina je limitiran u mogucnostima sfere vjetake inteligencije. Drugim rijecima,
svaki pokuaj da se njihovim programiranjem ostvari inteligentno ponaanje jednak je utopiji
alhemiara da od olova napravi zlato.
12
VJETAKA INTELIGENCIJA
Drajfus vidi perspektivu inteligentnih maina i simulacije ljudskog uma. Ali ostvarenje te
ideje po njemu zahtijeva kopernikanski obrt odnosno revoluciju o nauci o razumu,
suprotnu onoj koja je u 17. vijeku izmjenila itavu nauku prelaskom sa kvalitativne
logike osobina na kvantitativnu matematiku mjerljivih veliina.
Uopte, pitanja koja je pokrenuo Drajfus su vrlo ozbiljna, suvie nauna da bi se
prepustila filozofima, a suvie filozofska da bi se prepustila naunicima. Ona
predstavljaju presjek nauke i filozofije i problema ovjeanstva.
13
VJETAKA INTELIGENCIJA
Krajem 50-tih, sve do sredine 60-tih godina prologa vijeka, problematika vjetake inteligencije bila
je dosta rasplinuta izmeu fantastike, mate, potencijalnih mogunosti i praktinih ostvarenja.
Zanemarivanje razlike izmeu potencijalne ostvarljivosti i obima praktinih problema, koji se
nalaze na putu do ostvarivanja ideje, je jedan od estih uzroka nerazumjevanja mogunosti
vjetake inteligencije. Ostvarivanjem praktinih rezultata koji su nali primjenu u privredi,
vjetaka inteligencija postaje interesantna za veliki broj naunika razliitih oblasti.
Danas postoje realizovani sistemi koji su u stanju da autonomno obavljaju kompleksne probleme,
kakve su jedino ljudi bili u stanju da obavljaju. Nije rijedak sluaj da takvi sistemi obavljaju te
zadatke i daleko uspjenije od ljudi. U sprezi sa raunarima, maine postaju sposobne da rade
samostalno, da upravljaju same sobom i da proizvode druge maine, oslobaajui oveka
fizikog i monotonog rada, preputajui mu rad na sloenijim i kreativnijim poslovima.
14
VJETAKA INTELIGENCIJA
U dvadesetom vijeku jedan od prvih radova vezanih za mainsku (vjetaku) inteligenciju, prije svega u odnosu na
dananje digitalne raunare, je rad Alana Tjuringa "Raunarske maine i inteligencija". Tjuringov test za
"mjerenje inteligencije" maina predstavlja jedini do sada priznati standard u ovom domenu.
Alan Turing je razmatrao pitanje "Mogu li maine da misle?" i izrazio ubjeenje da je ono previe nejasno. Kao
zamjenu predloio je test koji bi, ako ga neki raunar savlada, sluio kao potvrda mainske inteligencije. U
originalnoj verziji Tjuringov test, poznat i pod nazivom imitaciona igra, ukljuuje ispitivaa koji je ljudsko bie,
kao i dva ispitanika, od kojih je jedan ena, a drugi raunar. Ispitiva se nalazi u odvojenoj sobi i sa
ispitanicima komunicira posredno, preko terminala.
Zadatak ispitivaa je da utvrdi ko je od ispitanika raunar, a ko ena. Raunar nastoji da ga sa svojim odgovorima
zavara, dok ena nastoji da ispitivau pomogne. Recimo, raunar bi na zahtjev da sabere dva broja mogao
saekati odreeno vrijeme, pa zatim odgovoriti pogreno pokuavajui tako da prevari ispitivaa.
15
VJETAKA INTELIGENCIJA
TJURINGOV TEST
16
VJETAKA INTELIGENCIJA
17
VJETAKA INTELIGENCIJA
18
VJETAKA INTELIGENCIJA
19
VJETAKA INTELIGENCIJA
20
VJETAKA INTELIGENCIJA
Osnovni dio programske opreme raunarskog sistema nove generacije sastoji se od sistema za rjeavanje
problema i zakljuivanje (problem-solving and inference system), sistema za upravljanje bazom znanja
(knowledge base management system) i inteligentnog interfejsa (intelligent interface system). Funkcije tih
sistema se veoma razlikuju od klasinih, koje se baziraju na aritmetikim operacijama, funkciji memorije i
klasinim ulazno-izlaznim jedinicama. Za njihovu realizaciju je dakle potreban novi instrumentarijum, a to su
upravo tehnike, metode i arhitekture, koje je razvila vjetaka inteligencija:
algoritmi za pretraivanje grafova,
mehanizmi zakljuivanja,
tehnike objanjavanja i
21
VJETAKA INTELIGENCIJA
ekspertni sistemi,
inteligentni roboti,
raunarski vid,
automatsko programiranje i
22
VJETAKA INTELIGENCIJA
modeliranje evolucije i
heuristiko programiranje.
23
VJETAKA INTELIGENCIJA
Stvaranje vjetakih neuralnih mrea inspirisano je hipotezom da prirodna inteligencija nastaje na bazi
prirodnih neuronskih mrea. Prirodna neuronska mrea ima oko 1010 nervnih elija (neurona) i
neurofiziolozi jo do kraja ne razumiju njeno funkcionisanje. Vjetaka neuralna mrea sadri veliki
broj meusobno povezanih neurona i kreira se na raunaru.
Evolucioni aspekt pretpostavlja da je prirodna inteligencija evoluirala u procesu koji ukljuuje prirodnu
selekciju i mutacije. Ovdje se na raunaru kreira sistem koji na vjetaki nain evoluira u smislu
selekcije i mutacije. Osnovni cilj je da vjetaka inteligencija bude bra od prirodne inteligencije.
Heuristiko programiranje podrazumijeva izradu kompjuterskih programa koji se inteligentno ponaaju.
To znai sintezu tri elementa: teorije, implementacije programa i eksperimenta sa gotovim
programom. Heuristika je vjetina i nauka o metodama u pronalaenju novih, naroito naunih
injenica i saznanja.
24
VJETAKA INTELIGENCIJA
Vjetaka inteligencija je dakle dola do faze, kada su tehnike i alati koje je razvila,
postali opte upotrebljivi u raznovrsnim raunarskim aplikacijama, meu kojima su
najpoznatiji, zasada najuspjeniji i zbog toga komercijalno najzanimljiviji ekspertni
sistemi. Generalno, vjetaka inteligencija je stvarnost, tehnike i alati razvijeni u
tom smislu dobili su iru upotrebu u razliitim softverskim aplikacijama. Ubjedljivo
najvaniji su ekspertni sistemi, koji ve imaju solidnu afirmaciju na tritu.
25
VJETAKA INTELIGENCIJA
26
FUZZY SISTEMI
FUZZY SISTEMI
KVANTIFIKACIJA NEODREENOSTI
Fuzzy teorija je specifino projektovana za predstavljanje ljudskog znanja i zakljuivanja na takav nain da
se moe jednostavno predstaviti na raunaru. Ona omoguava uvoenje matematikog formalizma za
opisivanje nejasnosti, neodreenosti ili dvosmislenosti rijei ili fraza, koji se javljaju u prirodnom jeziku.
Ustanovljena je 1965. godine od strane profesora Zadeha, uvoenjem fuzzy skupova.
Skoro svi prirodni jezici sadre neodreenosti i veeznanost. Pridjevi, posebno, nisu uvijek jasni i
jednoznani; viesmisleni su u irini svog znaenja. Na primjer, kada se kae visoka osoba ne moe
se jasno odrediti ko je visok ili ko nije visok. Neodreenost izraza stara osoba dolazi do pridjeva star.
Rijei su obino kvalitativne, ali one kao visok i star su dovedene u vezu sa visinom ili godinama. Ako
se ostave po strani apstraktni pridjevi kao to su: dvosmislen, neodeen nesiguran, pridjevi koji se
odnose na koliinu su esti. U inenjerstvu, posebno, pridjevi koji opisuju stanja i uslove razliitih stvari
su skoro uvijek povezani sa koliinom.
28
FUZZY SISTEMI
FUZZY SKUPOVI
U okviru fuzzy teorije skupova radi se sa kvantifikacijom znaenja u okviru teorije skupova. To je
pokuaj da se izrazi poput visok ili star predstave preko koncepta skupova. U osnovi, pojam
skupova nije neophodan za kvantifikaciju neodreenosti, ali je mogue poveati opseg korisnosti
radei u okvirima teorije skupova, prije svega zato to je teorija skupova osnova koja se koristi u
mnogim oblastima savremene matematike.
Da bi se naglasila razlika izmeu skupova koji se standardno koriste u matematici i fuzzy skupova, za
skupove prve vrste se upotrebljava termin obini skupovi (ili samo skupovi). U engleskoj literaturi
se obini skupovi nazivaju crisp sets (rije crisp ukazuje na jasno odreene granice oblasti koje
predstavljaju skupove). Da bi se fuzzy skupovi jasno razlikovali od obinih skupova, koristie se
sljedei nain oznaavanja: slovo koje oznaava fuzzy skup e biti podvueno.
29
FUZZY SISTEMI
FUZZY SKUPOVI
Fuzzy podskup A
Pravougaoni ram predstavlja skup X, dok su granice neodreenosti fuzzy podskupa A oznaene
isprekidanom linijom. Teorija fuzzy skupova definie stepen do kojeg je element x skupa X
ukljuen u neki podskup. Funkcija koja pokazuje stpen do kojeg je x ukljuen naziva se funkcija
pripadnosti. Stepen ukljuenosti nekad se zove i stepen pripadnosti, obim ili stepen.
Kako je fuzzy skup uvijek definisan kao podskup opteg skupa X, prefiks pod se izostavlja i koristi se
samo termin fuzzy skup.
30
FUZZY SISTEMI
FUZZY SKUPOVI
Na horizontalnoj osi je predstavljen cijeli skup X koji se zove i skup koji podrava fuzzy skup, ili
jednostavno podrka. Na vertikalnoj osi je predstavljena vrijednost funkcije pripadnosti. Na
primjer, za oekivati je da bi mnogi predstavili funkciju pripadnosti skupa skoro prosjean kao
to je na krivoj u sredini, s tim da bi stepen od 150 cm do 170 cm subjektivno varirao, to
zavisi od osobe koja daje procjenu. Na ovaj nain fuzzy skupovi mogu biti vieni kao
subjektivni.
31
FUZZY SISTEMI
FUZZY SKUPOVI
Predstavljeni su fuzzy skupovi mali brojevi, srednji brojevi, i veliki brojevi. Drugi oblici, na primjer
Gausova funkcija, takoe se mogu koristiti, ali treba voditi rauna da ne doe do znaajnog
poveanja sloenosti izraunavanja. Takve funkcije se tipino javljaju u sistemima koji se
koriste za teorijske analize, gdje su potrebna odreena analitika svojstva.
32
FUZZY SISTEMI
33
FUZZY SISTEMI
UNIJA
Unija fuzzy skupova A i B, u oznaci A U B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A U B (x) = A (x) v B (x)
PRESJEK
Presjek fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = A (x) B (x)
KOMPLEMENT
Komplement fuzzy skupova A, u oznaci A, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A (x) = 1 A (x)
34
FUZZY SISTEMI
Poto vie nema potrebe za naglaavnjem razlika u odnosu na obine skupove, fuzzy
skupovi e biti prosto oznaeni se A, B, itd..., odnosno bez podvlaenja. Od
mnogobrojnih operacija sa fuzzy skupovima ovde e biti govora samo o nekima:
algebarskom zbiru i proizvodu,
direktnom proizvodu.
35
FUZZY SISTEMI
ALGEBARSKI ZBIR
Algebarski zbir fuzzy skupova Ai B, u oznaci A + B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A + B (x) = A (x) + B (x) - A (x) . B (x)
ALGEBARSKI PROIZVOD
Algebarski proizvod fuzzy skupova A i B, u oznaci A . B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A . B (x) = A (x) . B (x)
GRANINI ZBIR
Granini zbir fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = ( A (x) + B (x)) 1
GRANINA RAZLIKA
Granina razlika fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = ( A (x) - B (x)) v 0
DIREKTAN PROIZVOD FUZZY SKUPOVA
Neka su A i B, dva fuzzy skupa. Direktan proizvod skupova A i B, u oznaci A x B je fuzzy podskup skupa X x Y (pri emu je A podskup
skupa X, a B podskup skupa Y) definisan sledeom funkcijom pripadnosti:
A x B (x) = A (x) B (x)
36
FUZZY SISTEMI
Uspjena primjena fuzzy sistema moe se uoiti na irokom polju aplikacija, poevi od proizvoda iroke potronje pa do automatskih sistema upravljanja.
Neke od primjena fuzzy teorije (u zagradi su navedeni proizvoai) su:
iroka potronja:
Kamere i kamkoderi (Cannon, Minolta, Ricoh, Sanyo),
Maine zapranje ( AEG, Sharp, Goldstar),
Rashladni ureaji (Whirpool),
Usisivai (Phillips, Siemmens).
Automatizovani sistemi:
Lokomotive i upravljanje transmisijom (GM Saturn, Honda, Mazda),
Upravljanje motora (Nissan),
Fuzzy kontroleri (Klockner Moeller).
Upravljanje industrijskim procesima:
Cementara, postrojenje za preradu smea ( K.L. Smith, Danska),
Destilacija, preiavanje i drugi hemijski procesi.
Pomo u odluivanju:
Medicinska dijagnostika,
Ekspertni sistemi,
Osiguravajui sistemi,
Donoenje odluka u upravljanju poduzeem,
Vrednovanje kvaliteta,
Baze podataka.
37
FUZZY SISTEMI
Uprkos injenici da uee fuzzy teorije u ovim aplikacijama nije uvijek isto, moe se
rei da ima slinu, centralnu ulogu u odgovarajuim upravljakim sistemima. U
nevedenim primjerima, fuzzy teorija premoava prazninu izmeu simbolikog
procesiranja i numerikog izraunavanja. U narednom periodu treba oekivati jo
znaajnije uee fuzzy teorije u upravljakim strategijama, prije svega za
donoenje strategijskih i kontrolnih (nadzornih) odluka.
38
NEURONSKE MREE
NEURONSKE MREE
40
NEURONSKE MREE
Poetkom pedesetih godina prologa vijeka, najvie uticaja na dalji razvoj neuronskih
mrea je imao rad Marvin Minsky-a koji je u tom periodu konstruisao neuroraunar pod
imenom Snark (1951). Frank Rosenblatt je zasluan za otkrie jednoslojne neuronske
mree, zvane perceptron. Ovaj raunar je mogao uspjeno da podeava teinske
koeficijente, meutim ovaj raunar nije postigao znaajnije praktine rezultate. Tek
krajem pedesetih godina (1957-1958), Frank Rosenblatt i Charles Wightman sa svojim
saradnicima su uspeli da razviju raunar pod nazivom Mark I koji predstavlja prvi
neuroraunar.
Neto iza Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff,
kasnije tvorac mikroprocesora) razradio novi tip neurona - ADALINE (ADAptivini
LINearni Element, prenosna funkcija f(x)=x) i odgovarajui zakon uenja.
41
NEURONSKE MREE
42
NEURONSKE MREE
43
NEURONSKE MREE
U periodu izmeu 1967. do 1982. godine pojavljuju se istraivai koji daju znaajan
doprinos razvoju ove oblasti kao to su Teuvo Kohonen, Kunihiko Fukushima i
Stephnen Grossberg. Naroito se istakao Teuvo Kohonen, koji je otkrio nekoliko
tipova neuronskih mrea koje su po njemu dobile naziv. U ovom periodu se pojavio
i backpropagation algoritam. U radu na ovom algoritmu su se posebno istakli
sljedei naunici: Amari (1967.) dodaje unutranje slojeve perceptronskoj mrei,
Bryson i Ho (1969.) razvijaju algoritam slian backpropagation algoritmu, Werbos
(1974) nezavisno od prethodnika razvija backpropagation algoritam, a Parker
(1982) unapreuje backpropagation algoritam.
44
NEURONSKE MREE
45
NEURONSKE MREE
46
NEURONSKE MREE
47
NEURONSKE MREE
Vjetake neuronske mree su u stanju da na odreen nain funkcioniu prema navedenim principima
asocijativnog razmiljanja i prepoznavanja. Prije nego to se zapone sa prvom analizom neuronskih mrea,
treba objasniti neke kategorije koje e se vie puta ponavljati.
Mrea sa atributom neuronska ili sa atributima vjetaka neuronska predstavlja mreu iji su entiteti procesorske
jedinice i iji, kako fiziki izgled tako i funkcionalni procesi koji se odigravaju u mri, podsjeaju na nervni
sistem kod ovjeka.
Postoje dvije kategorije neuronskih mrea: vjetake i bioloke neuronske mree. Predstavnik biolokih
neuronskih mrea je nervni sistem ivih bia. Vjetake neuronske mree su po strukturi, funkciji i obradi
informacija sline biolokim neuronskim mreama, ali se radi o vjetakim tvorevinama. Neuronska mrea u
raunarskim naukama predstavlja veoma povezanu mreu elemenata koji obrauju podatke. One su
sposobne da izau na kraj sa problemima koji se tradicionalnim pristupom teko rjeavaju, kao to su govor i
prepoznavanje oblika. Jedna od vanijih osobina neuronskih mrea je njihova sposobnost da ue na
ogranienom skupu primjera.
48
NEURONSKE MREE
Neke vjetake neuronske mree zaista predstavljaju modele biolokih, neke ne, ali
istorijski, inspiracija za oblast neuronskog raunanja dola je od elje za stvaranjem
vjetakog sistema, sposobnog za obavljanje sofisticiranih, "inteligentnih"
raunanja, slinih onima koje rutinski obavlja ljudski mozak.
Od mnogih smatrane za najvei tehnoloki napredak u protekloj deceniji, neuronske
mree pokazale su se nezamjenljivim u situacijama gdje je mogunost identifikacije
skrivenih veza i obrazaca kljuna za uspena predvidanja.
49
NEURONSKE MREE
50
NEURONSKE MREE
Akson jedne elije povezan je sa dendronom druge elije. Funkcionalni meumembranski kontakt aksona jednog neurona i
dendrona drugog neurona nazivamo sinapsa. Kada je neuron aktiviran on alje elektrohemijski signal preko aksona prema
drugom neuronu. Signal moe biti promijenjen od strane sinapse koja je u mogunosti da povea ili smanji snagu veze i time
izazove aktivaciju druge elije ili njenu ukoenost. Akson se moe zamisliti kao tanka cjevica koje jedan kraj povezan na
tijelo neurona, a drugi se dijeli na niz grana. Krajevi ovih grana zavravaju malim zadebljanjima koja najee dodiruju
dendrite, a rjee tijelo drugog neurona. Neuron prima impulse od ostalih neurona kroz dendrite, a signale koje proizvodi tijelo
predaje preko aksona.
Sinapsa je elementarna struktura i funkcionalna jedinica izmeu dva neurona, odnosno sinapsa je mali razmak izmeu zavretka
aksona prethodnog neurona i dendrita ili tijela sljedeeg neurona.
51
NEURONSKE MREE
52
NEURONSKE MREE
Do sada niko, nikada nije uspio simulirati ni priblino kompleksan sistem kao to je to
ovjeiji mozak. Dok se stvarni ovjeiji mozak sastoji od stotina milijardi neurona,
vjetake neuronske mree su uspjele dostii tek brojku od par hiljada vjetakih
vorova - neurona.
53
NEURONSKE MREE
54
NEURONSKE MREE
55
NEURONSKE MREE
Neuron prima ulaze koji mogu biti sirovi podaci ili podatak iz susjednog neurona, koje procesira i proizvodi
jedan izlaz. Sam izgled kao i princip obrade podataka jedne elementarne procesorske jedinice u
vjetakoj neuronskoj mrei podsjea na princip prosljeivanja impulsa neurona u biolokom nervnom
sistemu. Isto tako procesorska jedinica je analogna jednoj eliji biolokog nervnog sistema, ulazne veze
odgovaraju dendritima a izlazne aksomima.
VJETAKI NEURON
56
NEURONSKE MREE
Neuronska mrea je sistem sastavljen od vie jednostavnih procesora (jedinica, neurona), svaki od njih ima
lokalnu memoriju u kojoj pamti podatke koje obrauje. Te jedinice su povezane komunikacionim kanalima
(vezama). Podaci koji se ovim kanalima razmjenjuju su obino numeriki. Jedinice obrauju samo svoje
lokalne podatke i ulaze koje primaju preko konekcije. Ogranienja lokalnih operatora se mogu otkloniti
tokom treninga.
U neuronskim mreama, gdje su procesorske jedinice povezane odreenom topologijom, postoji struktura
paralelnog distriburanog procesiranja (PDP). Istovremeno rade vie procesorskih jedinica da bi rezultati
njihove obrade PDP strukturom preli na druge jedinice, itd. Procesorske jedinice u jednoj neuronskoj
mrei su jednostavne i mogu obavljati samo jednu ili eventualno nekoliko raunarskih operacija i
meusobno su povezane tako da u jednoj neuronskoj mrei postoji mnogo vie veza nego procesorskih
jedinica.
57
NEURONSKE MREE
Na slici je shematski prikazana jedna tipina topologija mree sa tri sloja procesorskih jedinica (jedan ulazni,
drugi srednji ili skriveni i trei izlazni). Svaka procesorska jedinica je povezana sa vie susjednih
jedinica, broj ovih veza izmeu zapravo predstavlja snagu neuronske mree. Rad neuronske mree sa
vie veza je kompleksniji ali takva mrea moe da obavlja kompleksnije zadatke.
58
NEURONSKE MREE
Arhitekturu vjetake neuronske mree predstavlja specifino ureenje i povezivanje neurona u obliku mree.
Po arhitekturi, neuronske mree se razlikuju prema broju neuronskih slojeva. Obino svaki sloj prima ulaze iz
prethodnog sloja, a svoje izlaze alje narednom sloju. Prvi sloj se naziva ulazni, posljednji je izlazni, ostali
slojevi se obino nazivaju skrivenim slojevima. Jedna od najeih arhitektura neuronskih mrea je mrea sa
tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima signale iz okruenja. Prvi sloj prenosi signale sljedeem sloju
(skriveni sloj) koji obrauje ove podatke i izdvaja osobine i eme iz primljenih signala. Podaci koji se
smatraju vanim se upuuju izlaznom sloju, posljednjem sloju mree. Na izlazima neurona treeg sloja se
dobijaju konani rezultati obrade. Sloenije neuronske mree mogu imati vie skrivenih slojeva, povratne
petlje i elemente za odlaganje vremena, koji su dizajnirani da omogue to efikasnije odvajanje vanih
osobina ili ema sa ulaznog nivoa.
59
NEURONSKE MREE
Vjetaka neuronska mrea je paradigma obrade informacija inspirisna procesiranjem kakvo vri
bioloki mozak. Pri tom vjetaka neuronska mrea koristi odreen broj koncepata iz biolokih
neuronskih sistema. Kljuni elemenat je neuobiajena struktura procesa obrade informacija,
sastavljena od velikog broja meusobno povezanih elemenata procesiranja koji zajedno rade
na rjeavanju problema. Ove mree kao i ljudi ue na osnovu primjera, tj. na osnovu iskustva,
one nisu programirane eksplicitnim instrukcijama, ve ue da izvre zadatak iz primjera iz
stvarnog ivota, obuavaju se. Dakle, razlika izmeu ovih mrea i klasinih raunara je i u tome
to se one ne programiraju, dok kod klasinih raunara programer unosi program kojim se
tano odreuje rad raunara u svakom trenutku.
60
NEURONSKE MREE
Postoji bitna razlika u odnosu na klasine raunare: neuronske mree se ne programiraju. Dok kod
klasinog raunara programer unosi u raunar program kojim se tano odreuje rad raunara u
svakom trenutku, neuronske mree se ne programiraju ve se obuavaju. Prije nego to ponu
da se primjenjuju, ulae se dosta vremena na njihovo obuavanje, uenje ili treniranje. Proces
obuavanja se zasniva na auriranju najee teinskih koficijenata veza, a ponekad samo
vrijednosti ulaznih procesorskih jedinica. Teinski koeficijent veza ili teine veza su koeficijenti
koji su dodijeljeni u svakom trenutku vezama neuronske mree. Za vrijeme obuavanja ovi se
koeficijenti auriraju. Brzina njihovog auriranja moe takoe biti mjerilo moi procesiranja
neuronske mree.
61
NEURONSKE MREE
62
NEURONSKE MREE
63
NEURONSKE MREE
64
NEURONSKE MREE
65
NEURONSKE MREE
66
NEURONSKE MREE
67
NEURONSKE MREE
Neuronske mree nalaze sve vei broj primjena. Na primjer, upotrebljavaju se u obradi signala,
analizi podataka, raznim kontrolama, kompresiji slike, konverziji jezika, postavljanju dijagnoza,
prepoznavanju govora, psihijatrijskim procjenama, analizi elektrinih kola, kompresiji zvuka,
predvianju kretanja na tritu, izboru osumnjienih u kriminolokim istraivanjima, analizi
medicinskih testova, spektralnoj analizi itd.
Zbog svega navedenog, mnogi istraivai nazivaju neuronske mree posljednjom i
najsofisticiranijom ljudskom tehnologijom. Neuronske mree imaju iroku primjenu u proizvodnji
od planiranja proizvodnje, ispitivanja materijala, izboru materijala, kao i u samom procesu rada.
68
NEURONSKE MREE
U poetku su neuronske mree koristili naunici raunarskih i kognitivnih nauka koji su pokuavali da modeliraju ulni sistem ivih
organizama. Danas neuronske mree predstavljaju veoma atraktivnu oblast istraivanja i postoje brojne oblasti u kojima se
koriste. Primenjuju se za:
prepoznavanje oblika,
prepoznavanje govora,
finansijske i ekonomske modele,
upravljanje sistemima,
naftna istraivanja,
kriminoloka istraivanja,
analizu medicinskih testova,
pronalaenje optimalnog rjeenja,
upravljanje robotima,
vremensku prognozu i
druge oblasti.
69
NEURONSKE MREE
70