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 379. Читать онлайн

382 Глава г к дональд Олдннг хебб

Можно протестировать эту нейронную сеть и убедиться в том, было ли научение эффективным, введя входящие данные и позволив сети самой генерировать выходящие данные в соответствии с правилом выходящей активации (суммации), приведенным выше. Если ввести «сосна» (+1, — 1), выходящая клетка 1 прибавляет (0,50)(+1) + ( — 0,50)(-1) и получает +1; выходящая клетка 2 прибавляет ( — 0,50)(+1) + (0,50)( — 1) и получает -1. В результате сеть выдает правильный ответ (+1,- 1). Этот результат надежно повторяется, поскольку веса или силы связей были получены исходя из входящих данных и выходящих значений «сосна». Значительно более удивляет результат, получающийся, когда той же системе дают входящие данные «ель» ( — 1,+1). Попробуйте и убедитесь в этом сами.

Системы обратной связи

На сегодняшний день исследования нейронных сетей достигли уровня сложности, выходящего далеко за рамки этой книги. Простой пример противопоставления «сосны» и «ели» — всего лишь введение в область исследований, уже сегодня подающую большие надежды. Представьте себе нейронную сеть, скажем, из десяти входящих и десяти выходящих элементов, а также некоторого количества промежуточных нейронов. Наше простое объяснение и пример лишь бегло познакомит вас с явлениями, которые может имитировать подобная нейронная сеть. И в то же время общий принцип суммации во всех сетях во многом остается одним и тем же. Тем не менее простое правило научения Хебба в более сложных сетях обычно заменяют одной из форм правила дельта (McCelland й Rumelhart, 1988; Rumelhart, McCelland й PDP Research Group, 1986), называемого еще правилом обратной связи. Фундаментальное правило дельта выглядит следующим образом:

Л w,< = irate (d, — А,) (А;).

Оно очень похоже на правило Хебба, за исключением усложнения члена, связанного с определением активации на выходе. В данном правиле (d,) представляет желаемое значение выходного элемента, а (А,) — его реальное значение. Система программируется таким образом, чтобы сила связей между элементами изменялась в направлении уменьшения различий между желаемым и реальным значением выходного элемента. Таким образом, это правило является самокорректирующимся правилом научения, которое изменяет силы связей до тех пор, пока значение выходного элемента не достигнет желаемой величины. Если (d, — А,) приобретает нулевое значение, значения более не меняются и научение считается законченным.

Особое внимание исследователей нейронных сетей привлекла система обратной связи NETtalk (Sej nowski й Rosenberg, 1987). Эта система состоит из сканирующего компьютерного устройства с семью окнами, каждое из которых может сканировать одну печатную букву английского алфавита. Каждое сканирующее окно соединено с 29 входными элементами сети. Выходных элементов 26, и каждый из них соответствует отдельной фонеме английского языка, Каждый из выходных элементов в свою очередь запрограммирован на воспроизведение определенной фонемы через голосовой синтезатор. Между входящими и выходящими элементами находится восемьдесят встроенных или скрытых элементов. Каждый входящий элемент соединен с каждым скрытым элементом, а каждый скрытый элемент соединен с каждым выходящим элементом. Таким образом, в NETtalk

Обложка.
DJVU. Теории научения[6-е издание]. Хегенхан Б. Р. Страница 379. Читать онлайн