Какие существуют методы обучения скрытых слоев в нейронных сетях?

Некоторые методы обучения скрытых слоёв в нейронных сетях:

• Обучение с учителем. www.mql5.com Используется, когда есть достаточный набор исходных данных с правильными ответами на поставленные вопросы. www.mql5.com В процессе обучения на вход нейросети подаются исходные данные, а полученный на выходе сети результат сверяется с известным правильным ответом. www.mql5.com Затем корректируются веса в сторону снижения ошибки. www.mql5.com
• Обучение без учителя. www.mql5.com Применяется, когда есть массив исходных данных, но нет правильных ответов на поставленные вопросы. www.mql5.com При таком обучении нейросеть ищет схожие наборы данных и позволяет разделить исходные данные на схожие группы. www.mql5.com
• Обучение с подкреплением. postnauka.org www.mql5.com Используется, когда нет правильных ответов, но есть понимание того, что нужно получить в итоге. www.mql5.com В ходе обучения на вход нейросети подаются исходные данные, и сеть пытается решить задачу. www.mql5.com После проверки результата даётся обратная связь сети в виде определённой награды. www.mql5.com В процессе обучения нейросеть стремится к максимальной награде. www.mql5.com
• Метод обратного распространения ошибки. www.mql5.com habr.com В основе метода лежит использование выходной ошибки нейронной сети для коррекции её весов. www.mql5.com Алгоритм обучения состоит из двух этапов: сначала на основании входных данных рассчитывается результирующее значение нейронной сети, которое сравнивается с эталонным и вычисляется ошибка. www.mql5.com Затем осуществляется обратный проход с распространением ошибки от выхода сети к её входам с коррекцией всех весовых коэффициентов. www.mql5.com
• Алгоритм Кохонена. se.moevm.info Предусматривает подстройку синапсов на основании их значений от предыдущей итерации. se.moevm.info Обучение сводится к минимизации разницы между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слоя, и весовыми коэффициентами его синапсов. se.moevm.info