Помогите в создании научно-популярных статей!

Мы приглашаем к сотрудничеству:

1⃣ Людей умеющих вычитывать тексты, придавая им стилистическую и синтаксическую структуру, а также исправлять грамматические ошибки (редакторы);

2⃣ Людей с опытом и знаниями в любой научной и/или профессиональной сфере и способных проверять тексты на соответствие теме и актуальность (эксперты).

Главное условие - желание помочь распространению знаний и просвещению. Ваши знания и опыт могут помочь молодым и опытным авторам улучшить их тексты. Если вы не имели опыта работы с такими текстами - мы все объясним и покажем.

💡Что дает сотрудничество с нами?

Приобретение нового опыта, возможность участие в мероприятиях "Стройки века", получение авторского опыта.

Чтобы присоединиться необходимо заполнить форму:
🔹 Для редакторов.
🔹 Для экспертов.

Далее ждать, когда мы с вами свяжемся!

Подробнее о задачах на картинках выше.

📅 Дедлайн отправки заявок до 31.03.2026

Нейронная сеть и человек, что же у них общего? Может быть, вы назвали воображение? Это будет не совсем верно, ведь компьютер может лишь генерировать новые комбинации идей на основе имеющихся данных. Способность мыслить? Тоже некорректно. Однако есть кое-что, что нас объединяет — способ обработки информации.

Звучит довольно абсурдно, не правда ли? Однако, в основе современных нейросетей действительно лежит идея, вдохновленная человеческим мозгом. И впервые она появилась ещё в 1943 году, когда Уоррен Мак-Каллок и Уолтер Питтс предложили математическую модель нейрона — базовой единицы нервной системы.

Наш мозг состоит из примерно 86 миллиардов нейронов, каждый из которых можно сравнить с мини-компьютером. Нейрон принимает сигналы, обрабатывает их и передаёт дальше. И всё это — с невероятной скоростью и эффективностью. ИИ, искусственный интеллект, устроен по очень похожему принципу.

Представим нейрон как коробочку, в который приходит информация по синапсам, а уходит по дендриту. Допустим, у нас есть задача распознать породу кошки, изображённой на фотографии. Один входной сигнал может представлять наличие ушей, другой — хвоста, третий — цвет фона. Для этого на синапсах существуют весы — коэффициенты, определяющие важность полученной информации. Таким образом, весы определяют влияние конкретного входа на выходной результат. Например, усы могут быть важны, а цвет фона- нет.

Но как нам понять какая пришедшая информация важнее, а какая, напротив, нет? После того, как мы перемножили все входы с весами, они суммируются. Однако мы явно что-то забыли. Ведь если бы нейроны просто передавали бы какое-то суммированное значение, то наше мышление упрощалось бы до линейных операций. Именно поэтому, результат сумматора передается на вход нелинейной функции активации. Она решает, будет ли нейрон активирован, то есть передаст ли он сигнал дальше. Классические примеры таких функций — ReLU, сигмоида, tanh. Также, функция активации — это способ нормализации входных данных. То есть, если на входе у вас будет большое число, пропустив его через функцию активации, вы получите выход в нужном вам диапазоне.

Как мы можем видеть, функция ReLU приравнивает к нулю все числа < 0. Числа > 0 остаются без изменений. Т.е. все числа <0 не “пройдут” дальше ReLU.

Таким образом, мы разобрались в устройстве конкретного нейрона. Но “один в поле не воин”, рассмотренный единственный нейрончик мало что может сделать. Поэтому объединим нейроны в упорядоченную группу, называемую слоем. Слои, в основном, подразделяют на: входной (получает “сырую” информацию), скрытые (занимаются обработкой информации) и выходной (выдает результат). Конечно, есть много других типов слоев. Заинтересовало? О сверточных слоях я расскажу в статье про CNN (скандальные сверточные нейронные сети).

Да, искусственный интеллект пока далёк от полноценного мышления, сознания и интуиции. Но его архитектура вдохновлена работой мозга, и с каждым годом граница между биологическим и машинным «мышлением» стирается.

Нейронные сети уже умеют учиться, забывать, адаптироваться и принимать решения на основе прошлого опыта. Так что, возможно, мы не такие уж и разные.

Автор:
#Алексеенко_Недышилова
Редактор:
#Сабуров
#Ершов

#Заметка
#IT

Сверточные нейронные сети для для начинающих (CNN)

Сегодня мы с вами поговорим про “скандальные” сверточные нейронные сети. Ведь дипфейки, не отличимые от реальности, плод именно этой технологии. Однако, оставим генеративные нейронные сети на время. Давайте задумаемся, как нейронные сети вообще “понимают”, что изображено на фотографии или картинке?

Когда мы смотрим на фотографию, нам достаточно доли секунды, чтобы понять, что на ней изображено - наш мозг мгновенно выделяет знакомые формы и цвета. Как “машина", у которой нет глаз, различает изображения?

Для распознавания изображений чаще всего используется архитектура CNN - сверточные нейронные сети. Нейронная сеть, к сожалению, не может работать с изображением как с цельным объектом. Именно поэтому для обработки компьютером, изображение представляется в виде матрицы (двумерная таблица из чисел). Каждая ячейка этой таблицы соответствует одному пикселя. В свою очередь, число в каждой ячейке описывает характеристики конкретного пикселя - яркость, цвет и насыщенность. Таким образом, цветное изображение - это не одна, а сразу несколько матриц: отдельно для каждого слоя изображения. Например, RGB изображение будет представлено тремя слоями: соответственно для красного, зеленого и синего каналов.

Сверточный слой

Сверточная нейронная сеть не зря называется так, ведь главная операция в данной архитектуре - свертка. Представим свертку как небольшой фильтр (чаще всего 3*3), который будет “скользить” по изображению. В каждом положении он умножает свои числа на соответствующие пиксели и суммирует результат. Таким образом, карта признаков - представление некоторого набора характеристик, обнаруженного в определенных областях изображения. Такими характеристиками могут быть края, текстуры или сложные формы.

Пулинговый слой

Таким образом, с помощью свертки мы можем выделять конкретные признаки из изображения. Однако, кроме полезных и действительно важных признаков, на изображении могут быть шумы и несущественные признаки. Что же нам делать с ними, захламляющими данные? Для этого в сверточных нейронных сетях существует еще один тип слоя - пулинг. Пулинговый слой необходим для снижения размерность изображения. Проще говоря, пулинг выбирает только самые важные данные и убирает лишнее. Благодаря этому компьютер обрабатывает данные быстрее и точнее. В результате работы пулингового слоя изображение становится менее детализированным, но сохраняет основные признаки. Пулинг получает результирующую матрицу путем взятия максимального значения на каждом шаге. Основные отличия свертки и пулинга в их целях (у свертки - получение признаков, у пулинга - снижение размерности) и способу вычисления (свертка - взвешенная сумма с ядром, пулинг - агрегация по окну).

Интересно, что в сверточных нейронных сетях свертка и пулинг не используются единожды. Чаще всего используют сначала свертку, потом пулинг и повторяют эту комбинацию несколько раз, с возможными некоторыми вариациями.

Хоть я и назвала CNN скандальной архитектурой в начале статьи, это бесспорно актуальная и активно используемая технология. Она позволяет компьютеру “видеть” изображения, и это нашло свою реализацию в том числе в сфере медицины. Один из самых интересных и полезных проектов, на мой взгляд - распознавание раковых опухолей по снимкам. Я также имела честь тесно поработать с данной архитектурой - участвовала в реализации интересного заказа от РЖД, где CNN использовалось для распознавания дефектов на железнодорожных рельсах.

Автор:
#Алексеенко_Недышилова
Редактор:
#Сабуров
#Ершов

#Статья
#IT