Bài giảng Hệ thống thông minh: Phần 5 - Học có giám sát mạng nơ ron

Tài liệu này giới thiệu về học có giám sát, mạng nơ-ron, nơ-ron, perceptron và perceptron đa tầng. Nó trình bày lịch sử phát triển của mạng nơ-ron, bắt đầu từ những năm 1940 với các công trình của Alan Turing, Warren McCulloch, Walter Pitts, Von Neuman, Donald Hebb, Frank Rosenblatt, Bernard Widrow, Marvin Minsky, Seymour Papert, Stephen Grossberg, Teuvo Kohonen, John Hopfield, và các nhà nghiên cứu khác.

Tài liệu này cung cấp kiến thức cơ bản và nâng cao về mạng nơ-ron và các mô hình liên quan, phù hợp cho sinh viên, nhà nghiên cứu và những người quan tâm đến lĩnh vực học máy và trí tuệ nhân tạo.

Tài liệu trình bày chi tiết về mạng nơ-ron và các thành phần cơ bản của nó. Lịch sử phát triển của mạng nơ-ron được trình bày từ các mô hình sơ khai đến các mạng phức tạp hơn như mạng tự tổ chức (SOM) và perceptron đa tầng. Các khái niệm quan trọng như kiến trúc mạng, độ phức tạp, kiểu nơ-ron và hàm kích hoạt được giải thích rõ ràng.

Nơ-ron được mô tả từ nơ-ron sinh học đến nơ-ron hình thức (mô hình McCulloch-Pitts), bao gồm các thành phần như khớp thần kinh, rễ thần kinh, sợi trục thần kinh và nhân. Các hàm kích hoạt khác nhau (nhị phân, tuyến tính, sigmoid, tang sigmoid) và ý nghĩa hình học của chúng được trình bày.

Perceptron, một mô hình mạng nơ-ron đơn giản, được giới thiệu với kiến trúc hai tầng và quy tắc học. Các phương pháp học (học có giám sát, quy tắc cục bộ) và điều chỉnh synapse được mô tả chi tiết. Hạn chế của perceptron trong việc giải quyết các bài toán phi tuyến tính (ví dụ: hàm XOR) và cách khắc phục bằng cách thêm đầu vào phi tuyến được thảo luận.

Perceptron đa tầng và thuật toán lan truyền ngược gradient được trình bày, bao gồm các bước điều chỉnh trọng số và các chú ý quan trọng trong huấn luyện mạng (điều kiện dừng, khởi tạo trọng số, tham số học, quán tính, hàm kích hoạt).