Практическая работа №1 по дисциплине «Проектирование вычислительных комплексов»

Практическая работа №1 по дисциплине 
«Проектирование вычислительных комплексов» 
 
Введение
 
Цель работы: получить навыки практической реализации и обучения нейронных сетей для 
решения задач машинного обучения, а также представление о влиянии гиперпараметров и 
архитектуры. 
1.
 
Нейронные сети (краткая теоретическая справка)
 
Основные типы задач, которые решаются с использованием 
искусственных нейронных 
сетей 
(НС) – это классификация и регрессия. По сравнению с некоторыми другими методами 
машинного обучения, НС обладают рядом преимуществ: возможностью самостоятельно 
определять значимые для решения задачи факторы, способностью к обучению и дообучению, 
устойчивостью к «шуму» в данных, универсальность. К недостаткам НС относят высокую 
требовательность к вычислительным ресурсам, к объемам и разнообразию обучающих данных, но 
вместе с тем опасность «переобучения». Кроме того, результаты, получаемые НС, с трудом 
поддаются объяснению с точки зрения человека. 
Исторически, первой широко известной моделью НС стал перцептрон, в котором 
поступающие от датчиков сигналы передаются ассоциативным элементам, а затем реагирующим 
элементам. Выход перцептрона – это линейная комбинация значений на его входах (x
i
) и 
соответствующих весов в «связях» (w
i
) – см. Рис. 1. Используемые в настоящее время НС, как 
правило, имеют 
входной слой
, 
выходной слой 
и произвольное количество промежуточных 
(
скрытых
) слоёв. 
Рис. 1. Принципиальная схема классического перцептрона. 
В современных НС узлами являются искусственные 
нейроны
, распределённые по слоям НС. 
Нейроны фактически реализуют некоторую математическую функцию (