Neuraalvõrgud

Neuraalvõrgud on arvutusmudelid, mis on inspireeritud inimese ajus esinevatest närvivõrkudest ja mis on mõeldud mustrite tuvastamiseks, prognooside tegemiseks ning keerukate funktsioonide õppimiseks. Nad suudavad õppida erinevaid ülesandeid suurte andmekogumite abil ning jõudluse parandamiseks kasutatakse sageli tugevat arvutusvõimsust.

Neuraalvõrgud koosnevad neuronitest, mis on järjepidevalt kihtidesse korraldatud: sisendkiht, varjatud kihtide ridadest koosnev peenem kiht, ja väljundikiht. Iga ühendus kannab kaalu ning iga neuron arvutab sisendi kaalude summa ja aktiveerimisfunktsiooni abil väljundi. Õppimine toimub tavaliselt gradientide languse abil, kasutades meetodeid nagu backpropagation ja optimeerijad (nt SGD, Adam).

Peamised arhitektuurid on feed-forward võrgud (andmeid edastatakse ühesuunaliselt), konvolutsioonivõrgud (CNN) pildituvastuseks, korduvad võrgud (RNN, LSTM, GRU) järjestikuste andmete töötlemiseks ning transformeri mudelid, mis on eriti edukad keele- ja tekstitöötluses.

Rakendused hõlmavad nägemist, kõnetuvastust, loomulikku keele töötlemist, prognoosimist ja soovitusmudeleid. Neuraalvõrgud on laialdaselt kasutusel tööstuses ja teadusuuringutes, kuid nad nõuavad suurt andmekogumit ja arvutusressursse ning võivad olla kallutatud või keerukalt tõlgendatavad. Seetõttu on oluline hindamine, eetika ning andmete kvaliteet ja mudelite läbipaistvus.