img213 (5)

oprowadzenie do techniki sieci

użytkownika. Takie spontaniczne tworzenie przez sieć potrzebnego odwzorowania sygnałów nazywane jest właśnie samoorganizacją. Z pewnego punktu widzenia jest to jedynie jeszcze jedna forma samouczenia, jeśli jednak spojrzysz na jej skutki, to zapewne sam chętnie przyznasz, że mamy tu do czynienia z wyraźnie wyższym stopniem adaptacji sieci, angażującym nie tylko optymalizację parametrów każdego neuronu z osobna, ale - co jest właśnie nowością - koordynację działań neuronów, wprowadzającą do obliczeń bardzo pożądane efekty koherencji i kolektywności.

Wyjaśnijmy te pojęcia. Efekt koherencji polega na tym, że jednym z głównych kryteriów, jakie stosuje sieć w procesie samoorganizacji polega na tym, że usiłuje ona grupować dane wejściowe w pewne klasy podobieństwa. Innymi słowy wśród obiektów wejściowych wykrywane są (automatycznie!) takie ich grupy, które są podobne do siebie nawzajem i jednocześnie są wyraźnie odmienne od innych grup sygnałów. Takie grupowanie danych jest bardzo przydatne w wielu zastosowaniach, wypracowano więc szereg specjalizowanych technik matematycznych pozwalających na analizowanie danych (najczęściej statystyczne) i na tworzenie właśnie takich grup danych, które są nawzajem do siebie podobne, a różnią się od innych danych, na pozór bardzo podobnych. Wzmiankowane techniki nazywane są po polsku “analizą skupień” a w literaturze światowej są szerzej znane pod angielską nazwą cluster analysis. Są one dość chętnie stosowane w ekonomii -na przykład do wykrywania, które przedsiębiorstwa są podobne do siebie i mogą w związku z tym stwarzać podobne rokowania rentowności inwestycji albo w medycynie - do badania, które objawy wskazują na różne odmiany tej same choroby, a które wskazują już na obecność nowej, być może nie znanej jednostki chorobowej. Jedno z zadań związanych z grupowaniem danych będzie dalej szczegółowiej przedyskutowane w kontekście tak zwanej kwantyzacji wektorowej.

Z punktu widzenia rozważań prowadzonych w tej książce istotny jest tylko jeden fakt: zadania grupowania wejściowych danych w klasy podobieństwa są potrzebne i znajdują praktyczne zastosowania.

Sieci neuronowe dokonujące procesu samoorganizacji są bardzo atrakcyjnym narzędziem do realizacji zadań grupowania wejściowych danych i tworzenia wśród nich klas podobieństwa. Atrakcyjność neuronowego podejścia do rozważanego problemu polega głównie na tym, że proces samoorganizacji może być prowadzony absolutnie automatycznie i spontanicznie, a twórca sieci nie musi jej przy tym udzielać żadnych wskazówek, ponieważ komplet potrzebnych informacji zawarty jest w samych wejściowych danych (z których jedne są podobne do siebie nawzajem, a inne nie). Ponadto po nauczeniu sieci grupowania wejściowych danych powstają bardzo użyteczne systemy - neurony, które wyspecjalizowały się w rozpoznawaniu poszczegól-