Twoim problemem jest to, że powszechną NICOŚĆ mylisz z osobistą PUSTKĄ
SLAJD 1, 2
SLAJD 3
Czym jest neuroinformatyka?
Neuroinformatyka to inżynieria odwrotna mózgu, a ściślej mówiąc, neuroinformatyka stara się dostarczyć narzędzia informatyczne naukowcom badającym działanie mózgu.
Neuroinformatyka to dziedzina na skraju fizyki, neurobiologii, matematyki i informatyki, a więc interdyscyplinarna dziedzina nauki starająca się stosować w metody pomiarów, analizy i modelowania.
Bardzo ważnymi umiejętnościami dla neuroinformatyka są:
· matematyka na zaawansowanym poziomie, w szczególności w zakresie algebry liniowej, statystyki, analizy systemów dynamicznych, modelowania stochastycznego
· umiejętność programowania w językach wysokiego poziomu
· znajomość technik obrazowania i analizy obrazów
· znajomość powszechnie stosowanych modeli neuronu i sieci neuronowych
· wiedzę o podstawowych technikach modelowania i symulatorach
Trzy główne, opiniotwórcze, branżowe czasopisma:
1. “” – artykuły naukowe dostępne bezpłatnie.
2. “” – artykuły naukowe w większości płatne.
3. “” – artykuły naukowe w większości płatne.
Najgłośniejszym projektem z zakresu symulacji mózgu jest . Henry Markram buduje w Szwajcarii kompletny wirtualny ludzki mózg. Przydatność metod stosowanych w projekcie udowodniona przez stworzenie dokładnej symulację jednej kolumny nowej kory mózgowej szczura składającej się z 10 000 neuronów. Obecna symulacja jest na poziomie komórkowym. Budulcem modelu jest precyzyjny model neuronu. Symulacja jednego neuronu wymaga całego komputera klasy PC. Cała symulacja odbywa się na IBM Blue Gene z 8000 procesorów. Docelowo symulacja ma zejść do poziomu cząsteczkowego.
Od realnych do wirtualnych neuronów.
Dążenie do wyjaśnienia jak to się dzieje, że neurony łączą się w obwody aby te podstawowe zasady móc wdrożyć w symulacje. Obserwacje przekształcone w potężne algorytmy aby móc zaprezentować zachowanie neuronów w jak najbardziej realistyczny sposób.
Głównym celem Blue Brain Project jest zrozumienie działania mózgu za pomocą . Cele pośrednie, które mają do tego doprowadzić, to:
1. Stworzenie Ośrodka Symulacji Mózgu, w którym możliwe będzie tworzenie symulacji mózgów różnych gatunków, w różnych skalach dokładności i z różnymi zaburzeniami.
2. Udowodnienie skuteczności i dokładności symulacji poprzez stworzenie i przetestowanie szczegółowego modelu wewnątrz zakrętu zaśrodkowego młodego .
3. Użycie symulacji do odkrycia podstawowych zasad budowy i funkcjonowania mózgu.
4. Wykorzystanie tych zasad do stworzenia większych i dokładniejszych modeli mózgu i opracowanie strategii modelowania całego mózgu człowieka.
HBP: zakłada fundamentalny postęp w neuronaukach, medycynie i informatyce.
W neuronaukach: użycie neuroinformatyki aby symulować działanie mózgu żeby zbierać i integrować eksperymentalne dane, identyfikować i uzupełniać luki w naszej wiedzy i priorytetyzować przyszłe eksperymenty.
W medycynie: medyczna informatyka aby identyfikować biologiczne podpisy chorób mózgu aby móc diagnozować we wczesnych stadiach zanim zostaną wyrządzone nieodwracalne szkody; personalizacja leczenie; lepsza diagnostyka w oparciu o symulację użycia leków i przebiegu choroby co ma na celu przyspieszenie odkrywania i doskonalenie leczenia.
W informatyce: nowe techniki obliczeniowe, napędzane potrzebą symulacji działania mózgu. Dążenie do stworzenie sztucznie inteligentnych maszyn, rozwiązanie ograniczeń wydajności energetycznej, wiarygodności.
Sztuczne sieci neuronowe to programy komputerowe, które symulują działanie ludzkiego mózgu i potrafią same uczyć się w oparciu o pojedyncze informacje. W porównaniu do innych metod stosowanych w sztucznej inteligencji potrafią one naśladować ludzki sposób myślenia i dzięki temu znalazły zastosowanie w rozwiązywaniu problemów m.in. w medycynie czy psychologii.
- Sieci neuronowe wzięły się z tego, że najpierw obserwowano mózgi ssaków i okazało się, że to co mamy w głowach przypomina duży złożony komputer - tłumaczył dr. Piotr Bilski z Politechniki Warszawskiej.
Sieć neuronowa, na wzór mózgu, złożona jest z bardzo dużej liczby prostych procesorów, które podobnie jak ludzkie komórki mają dwa punkty, wejście i wyjście. Przy czym wejście to jest punkt, przez który do komórki dociera informacja, a wyjście jest reakcją komórki na "otrzymaną wiedzę". Dzięki takiej budowie swoich komórek, sieci neuronowe są nam przydatne w stosowaniu wnioskowania indukcyjnego.
- Indukcja polega na tym, że na podstawie ograniczonego zbioru przykładów, chcemy wyciągnąć ogólną zasadę, która będzie się dobrze nadawała do opisywania innych przykładów, których wcześniej nie widzieliśmy.
Sieć neuronowa (sztuczna sieć neuronowa) – ogólna nazwa i ich programowych lub sprzętowych modeli, realizujących obliczenia lub poprzez rzędy elementów, zwanych , wykonujących pewną podstawową operację na swoim wejściu. Oryginalną inspiracją takiej struktury była budowa , łączących je , oraz , w szczególności .
Czasem nazwą sztuczne sieci neuronowe określa się interdyscyplinarną dziedzinę wiedzy zajmującą się konstrukcją, trenowaniem i badaniem możliwości tego rodzaju sieci.
Uczenie maszynowe albo uczenie się maszyn, systemy uczące się (ang. machine learning) – stosunkowo młoda i szybko rozwijająca się dziedzina wchodząca w skład nauk zajmujących się problematyką SI (patrz ).
Jest to nauka interdyscyplinarna ze szczególnym uwzględnieniem takich dziedzin jak , i . Głównym celem jest praktyczne zastosowanie dokonań w dziedzinie sztucznej inteligencji do stworzenia automatycznego potrafiącego doskonalić się przy pomocy zgromadzonego doświadczenia (czyli ) i nabywania na tej podstawie nowej .
Uczenie maszynowe jest konsekwencją rozwoju idei sztucznej inteligencji i metod jej wdrażania praktycznego. Dotyczy rozwoju stosowanego zwłaszcza w innowacyjnych technologiach i przemyśle. Odpowiednie mają pozwolić oprogramowaniu na zautomatyzowanie procesu pozyskiwania i analizy danych do ulepszania i rozwoju własnego systemu.
Uczenie się może być rozpatrywane jako konkretyzacja algorytmu czyli dobór , nazywanych wiedzą lub umiejętnością. Służy do tego wiele typów metod pozyskiwania wiedzy oraz sposobów reprezentowania wiedzy.
W uczeniu maszynowym, rozpoznawianie wzorców to po prostu przypisywanie kategorii określonym wartościom.
In , pattern recognition is the assignment of a label to a given input value
___________________________________________________________________________
Sieci jednokierunkowe to sieci neuronowe, w których nie występuje , czyli pojedynczy wzorzec lub sygnał przechodzi przez każdy neuron dokładnie raz w swoim cyklu. Najprostszą siecią neuronową jest pojedynczy progowy, opracowany przez i w roku 1943.
Sieci jednokierunkowe dzielą się na jednowarstwowe, dwuwarstwowe i wielowarstwowe.
Sieci jednowarstwowe mogą rozwiązać jedynie wąską klasę problemów. Sieci dwu i wielowarstwowe mogą rozwiązać znacznie szerszą klasę i są pod tym względem równoważne, jednak stosuje się do nich inne algorytmy uczenia (dla wielowarstwowych są one prostsze).
Neuron McCullocha-Pittsa ( McCulloch-Pitts neuron, threshold neuron) to podstawowy blok budulcowy sztucznych . Jest on bardzo uproszczonym matematycznym modelem biologicznego . Neuron McCullocha-Pittsa posiada wiele wejść i jedno wyjście. Każdemu z wejść przyporządkowana jest liczba rzeczywista - tak zwana waga wejścia. Waga stojąca przy wejściu o stałej wartości równej jeden (niżej oznaczona przez ), jest często nazywana progiem. Wartość na wyjściu neuronu obliczana jest w następujący sposób:
1. obliczana jest suma iloczynów wartości xi podanych na wejścia i wag wi wejść:
2. na wyjście podawana jest wartość f(s) dla obliczonej sumy
Sie – układ gęsto połączonych ze sobą neuronów (każdy z każdym, ale bez połączeń zwrotnych)
Sieci te stosowane są do klasyfikacji wzorców, np. głosek mowy ciągłej, tekstu, muzyki. Do najciekawszych zastosowań należy rozpinanie siatki wokół komputerowego modelu skanowanego obiektu.
Współcześnie nie ma wątpliwości, że sztuczne sieci neuronowe nie stanowią dobrego modelu mózgu, choć różne ich postacie wykazują cechy charakterystyczne dla biologicznych układów neuronowych: zdolność do uogólniania wiedzy, uaktualniania kosztem wcześniej poznanych wzorców, dawanie mylnych odpowiedzi po przepełnieniu. Mimo uproszczonej budowy sztuczne sieci neuronowe stosuje się czasem do modelowania schorzeń mózgu.
Sztuczne sieci neuronowe znajdują zastosowanie w rozpoznawaniu i klasyfikacji wzorców (przydzielaniu wzorcom kategorii), predykcji szeregów czasowych, analizie danych statystycznych, odszumianiu i kompresji obrazu i dźwięku oraz w zagadnieniach i automatyzacji.
Magazyn BYTE wymienia między innymi następujące zastosowania tych sieci:
· badania psychiatryczne
· prognozy giełdowe
· prognozowanie sprzedaży
· poszukiwania
· interpretacja badań biologicznych
· prognozy cen
· analiza badań medycznych
· planowanie remontów maszyn
· planowanie postępów w nauce
· analiza problemów produkcyjnych
·...