Нейронную

Р езю м е
• У всех полезных компьютерных систем имеются каналы ввода и вывода, между 
которыми над данными выполняются некоторые вычисления. В случае нейрон­
ных сетей это не так.
• Если точные принципы функционирования какой-либо системы нам неизвест­
ны, то мы пытаемся получить представление о том, как она работает, используя 
модель с регулируемыми параметрами. Если бы мы не знали, как преобразо­
вать километры в мили, то могли бы использовать для этой цели линейную 
функцию в качестве модели с регулируемым наклоном.
• Неплохим способом улучшения подобных моделей является настройка пара­
метров на основании сравнения результатов модели с точными результатами 
в известных примерах.
Простая прогнозирующая машина 
27

---

Задачи классификации 
и прогнозирования очень близки
Мы назвали описанную ранее простую машину прогнозирующей, 
поскольку она получает входные данные и делает определенный про­
гноз относительно того, какими должны быть выходные данные. Мы 
улучшали прогнозы, регулируя внутренний параметр на основании 
величины ошибки, которую определяли, сравнивая прогноз с извест­
ным точным значением.
Взгляните на иллюстрацию ниже, на которой приведена диаграм­
ма, представляющая результаты измерения размеров садовых жуков.
На диаграмме отчетливо видны две группы данных. Гусеницы 
уже и длиннее, а божьи коровки шире и короче.
28 
Глава 1. Как работают нейронные сети

---

Помните наш предиктор, который пытался правильно вычислить 
количество миль, соответствующее заданному количеству километ­
ров? В основу этого предиктора была положена настраиваемая линей­
ная функция. Надеюсь, вы не забыли, что график зависимости выход­
ных значений линейной функции от ее входных значений представ­
ляет собой прямую линию. Изменение настраиваемого параметра с 
приводит к изменению крутизны наклона этой прямой линии.
Что получится, если мы наложим на этот график прямую линию?
Мы не можем использовать прямую линию точно так же, как 
раньше, когда преобразовывали одно число (километры) в другое 
(мили), но, возможно, в данном случае нам удастся отделить с ее по­
мощью один тип данных от другого.