Нейронные сети в области машинного обучения работают на основе способности к обучению. 1 Во время обучения нейросети показывают данные, по которым необходимо что-то предсказать, и эталонные правильные ответы для них. 1

Процесс обучения включает несколько этапов: 4

1. Подготовка данных. 4 Для обучения нужен набор входных данных, для которых известны ожидаемые результаты. 4 Например, если нужно научить нейросеть распознавать изображения кошек, то необходимо подготовить набор изображений кошек и меток, которые указывают, что на этих изображениях действительно изображены кошки. 4
2. Процесс обучения. 4 Нейронная сеть просматривает входные данные и делает предсказания на основе своих текущих параметров (весов). 4 Затем эти предсказания сравниваются с ожидаемыми результатами. 4
3. Обратное распространение ошибки. 4 Если предсказание нейросети не совпадает с ожидаемым результатом, то вычисляется, насколько каждый вес внутри нейросети способствовал общей ошибке. 4 Затем эти веса корректируются в направлении, которое уменьшит ошибку. 4
4. Итерации. 4 Повторяются множество раз с использованием новой системы входных данных из обучающего набора. 4 С течением времени веса нейросети подстраиваются таким образом, чтобы ошибка между предсказаниями и ожидаемыми результатами была минимизирована. 4
5. Тестирование и оценка. 4 Обученные нейронные сети тестируют на новых данных, которые ранее не использовались. 4 Это позволяет оценить, насколько хорошо робот способен применять свои знания для новых ситуаций. 4

Нейронные сети состоят из нескольких слоёв нейронов, каждый из которых выполняет свою функцию: 2

• Входной слой. 2 Принимает исходные данные. 2 Этот слой не выполняет никаких вычислений, а просто передаёт данные на следующий слой. 2
• Скрытые слои. 2 Обрабатывают данные, выполняя различные вычисления. 2 Количество скрытых слоёв и количество нейронов в каждом слое могут варьироваться в зависимости от задачи и архитектуры сети. 2
• Выходной слой. 2 Выдаёт конечный результат. 2 В зависимости от задачи выходной слой может содержать один или несколько нейронов. 2

У каждого нейрона есть «вес» — число внутри него, рассчитанное по особым алгоритмам. 1 Он показывает, насколько показания нейрона значимы для всей сети. 1 Во время обучения веса нейронов автоматически меняются и балансируются. 1