ПравообладателямТеории научения[6-е издание], Хегенхан Б.
Книжная полка
перейти на полку → Хочу прочитатьЧитаюПрочитана
ИзбранноеВладею
Чтобы воспользоваться книжной полкой выполните вход либо зарегистрируйтесь
← Назад
Скачать: , Хегенхан Б. Р., М. Олсон djvu   Читать
Купить →
Купить →

Ожидайте...

В данной книге, выдержавшей шесть изданий, излагаются основные теории научения, одного из самых давних и разработанных направлений в психологии. В книге подробно рассказывается о том, какую роль играют ранние и современные теории научения в психологическом знании и современной педагогике, рассматриваются теории таких всемирно известных ученых, как И.П.Павлов, Э.Толмен, А.Бандура, Ж.Пиаже и Б.Ф.Скиннер. Издание снабжено подробным терминологическим словарем.

Книга адресована преподавателям вузов и студентам психологических и психолого-педагогических факультетов, а также всем специалистам, занятым в сфере образования.

DJVU. Теории научения[6-е издание]. Хегенхан Б. Р.
Страница 377. Читать онлайн

3QQ Глава 14. Дональд Олдииг Хебб

варианте сенсорный ввод в виде изображения сосны и моторный вывод в форме слова «сосна> представляют собой не более чем примеры активизации и торможения в нервной системе. Именно в этом смысле мы предлагаем «сосну» и «ель» нашей гипотетической нейронной сети. Произвольным образом присвоим «сосне» сенсорный код (+1, — 1), обозначающий, что для первого сенсорного элемента характерна возбуждающая активность +1, а для второго — тормозящая активность — 1. «Ели>, напротив, присвоим код ( — 1,+1), означающий тормозящую активность — 1 в случае первого сенсорного элемента и возбуждающую активность +1 в случае второго.

Мы знаем, что (+1,- 1) — это «сосна» и ( — 1,+1) — «ель», и можем надежно относить к определенной категории каждый из этих двух видов деревьев. Проблема заключается в том, чтобы научить компьютерную нейронную сеть правильно относить каждое изображение к определенной категории и, как следствие, демонстрировать различие этих двух типов входящей информации. Это значит, что при вводе (+1,- 1) в качестве сенсорной информации мы хотим, чтобы первый моторный нейрон выводил нам +1, а второй — 1. Соответственно при вводе «ель» моторные нейроны должны вести себя противоположным образом. Для того чтобы закрепить этот эффект, мы должны обучить систему. Нам нужно развить связи между сенсорными и моторными элементами таким образом, чтобы могли сформироваться желаемые взаимоотношения ввода-вывода. Отметим, что клетки не научаются возбуждаться (+1) или затормаживать ( — 1). Предполагается, что, как и в случае реально существующих нейронов, способность к возбуждению и торможению является простыми наследственными свойствами клеток. Научение происходит за счет связей между клетками и зависит от типа и силы связей, сформированных в нейронных сетях.

В этом месте наших рассуждений мы должны вывести правило научения — логическое, но произвольное правило, которому наша компьютерная система будет следовать, изменяя связи между клетками. Простейшее из подобных правил названо правилом Хебба. Оно представлено математическим выражением, призванным отразить предположение Хебба о том, что связь между двумя одновременно активными клетками будет усиливаться или становиться более эффективной. Запишем это выражение следующим образом:

Л чг,; = Irate (А;)(А„),

где Л w„- изменение силы или значение связи между вводом и выводом; Irate— константа, которая отражает темп научения; А; — значение уровня активации входящего элемента; А, — значение уровня активации выходящего элемента. В нашем простом примере значение уровней активации может быть равно — 1 или +1.

Правило гласит, что если два элемента активируются в одном направлении (оба имеют значение +1 или — 1), то результат такой взаимной активности будет положительным, и, следовательно, более положительным будет значение связи. Если же элементы одновременно активизируются в различных направлениях (один имеет значение +1, а другой — 1), результат будет отрицательным, и более отрицательным будет значение связи. Таким образом, легко проследить, как изменятся связи между элементами в наших «сосновых» и «еловых» примерах.

Начнем с того, что все веса или связи приравняем к нулю (О), а темп научения (Irate) определим как 1/и, где n — количество входных элементов. Другими слова-

Обложка.
DJVU. Теории научения[6-е издание]. Хегенхан Б. Р. Страница 377. Читать онлайн