Нейронные сети — это вычислительные методы, вдохновлённые биологическими нейронами, которые извлекают закономерности из данных для улучшения климатических моделей, анализа столкновений частиц и изучения клеточного поведения.Карточка за карточкой, лев за львом, зебра за зеброй — тысячи примеров проходят через сеть. Каждый слой искусственных нейронов выделяет всё более абстрактные черты: сначала ловит края и линии, потом собирает их в части морды, затем в цельный образ. Финальный слой выдаёт ответ — почти так же, как ребёнок смотрит на уши, усы и хвост, чтобы сказать «кошка».
Концепция искусственного нейрона восходит к работе Уоррена Маккаллока и Уолтера Питтса (1943), предложивших математическую модель нейрона. В 1958 году Фрэнк Розенблатт создал перцептрон — первую обучаемую нейронную сеть. Однако после критики Марвина Мински и Сеймура Пейперта в 1969 году интерес угас. Возрождение началось в 1980-х с разработкой многослойных сетей и алгоритма обратного распространения (Дэвид Румельхарт и др.). В 2000-х доступность больших данных и GPU-вычислений привела к глубокому обучению.
Входной сигнал проходит через слои: каждый нейрон вычисляет взвешенную сумму входов, добавляет смещение и применяет нелинейную функцию активации (ReLU, сигмоиду и др.). Обучение минимизирует функцию потерь градиентным спуском; градиенты вычисляются методом обратного распространения ошибки — от выхода к входу, по правилу цепочки производных.
Распознавание лиц на фотографиях, голосовые помощники, предсказание погоды.
В 2012 году сеть AlexNet впервые обошла человека в соревновании по распознаванию изображений — тогда стало ясно: эпоха глубокого обучения началась.




















