Использование нейронных сетей Опции

[3.14]

Тут ссылку на кучу книжек выложили - очень интересно.
Интересно, а много среди нас тех кто яростно использует эти самые нейронные сети и в каких задачах.
Я так прикинул куда их можно прикрутить.
Пусть фильтрация сигналов, дык вроде как оптимального фильтра круче нет на свете, да и с анализом оптималки куда проще, во всяком случае не сложнее.
Распознавание образов. Стояла актуальная задача (в общем так и не упала).
Прикупил книжку (не помню название синенькая такая), там был даже пример распознавания контуров объектов, так вот незадача самая важная часть (количественная оценка объекта, например танк=1.3 а дом=5) вычислялась Фурье преобразованием, а вот компаратор объектов выполнен на нейронах
Еще неудачный пример. Несколько лет назад, будучи студентом, попалась компьютеррка с популяризацией эволюционных методов обучения нейронных сетей. От прочитанного эмоции лились через край (в возбужденной голове мелькали фразы "Я понял суть мироздания! Миру пи@дец!"). Принялся за дело. Для начала решил из одного урезанного нейрона получить эволюционными методами кореллятор. Написал в MatLab программку и вперед, за 15 минут расчета сеть (если можно так назвать) приблизилась к результату ~95% далее за сутки почти ни с места.
В общем, буду рад услышать ваши отзывы, только не надо бщих фраз типа "Ну а вы что хотели, это конкретные решения конкретных задач".

[qwesystemc]

Самое главное это понять что ничего магического НС делать не могут: на самом деле это просто линейные функции, то есть задается плоскость и нейрон определяет с какой стороны от нее находятся входные данные, ну а обучение это просто выбор этой плоскости. Более сложные НС это еще простенькая схемка приделанная к нескольким нейронам. Вот и получается что они могут решать только задачи которые (пусть приближенно) можно описать таким тривиальным способом.

[IPI]

Самое главное это понять что ничего магического НС делать не могут: на самом деле это просто линейные функции, то есть задается плоскость и нейрон определяет с какой стороны от нее находятся входные данные, ну а обучение это просто выбор этой плоскости. Более сложные НС это еще простенькая схемка приделанная к нескольким нейронам. Вот и получается что они могут решать только задачи которые (пусть приближенно) можно описать таким тривиальным способом.

Тут как раз все не так. Нейрон это не линейная функция на вход которой подается скалярное произведение входов с весовыми коэффициэнтами. Если бы не было нелинейной функции на выходе то автоматически вся нейронная сеть свелась бы к одному скалярному произведению. В этом то их и сила.
Не линейность позволяет получать практически не предсказуемое поведение нейронной сети (не описываеммыми ни какими строгими формулами), которое может походить на что угодно. В этом ее слабость, не возможно предсказать куда схема сойдется и при какой сложности. А сложность растет тоже не линейно.
Поэтому не смотря на древность этой теории, сейчас она в ступоре. Маленькие системы работают хорошо, правда при не линейно возрастающих усилиях по убочению их. А большие не обучаются вовсе или крайне тяжело, без гарантированного результата.