Academic literature on the topic 'Навчання нейронної мережі'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Навчання нейронної мережі.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Навчання нейронної мережі"
1
Федоряка, М., and K. Мелкумян. "Гібридний метод обробки зображень на конволюційних нейронних мережах." Адаптивні системи автоматичного управління 1, no. 38 (May 31, 2021): 72–76. http://dx.doi.org/10.20535/1560-8956.38.2021.233198.
Full textAbstract:
Стаття присвячена опису моделі конволюційної нейронної мережі для покращення роздільної здатності зображень на мобільних пристроях. В наш час мобільна фотографія стає все більш і більш популярною. Багато людей вибирають у якості основного пристрою для створення фото свій смартфон, оскільки це значно зручніше, швидше та дешевше за спеціалізовану камеру. Нажаль, висока роздільна здатність і якість фото доступна лише покупцям дорогих смартфонів. Саме тому актуальною є проблема покращення роздільної здатності та чіткості фотографій є неймовірно актуальною. Традиційні алгоритми без використання машинного навчання демонструють непогані результати і не потребують великого обсягу часу, потрібного на підбір наборів даних, що необхідні для тренування нейронної мережі, та, власне, на сам процес тренування. Проте, іх ефективність та якість результату значно гірша ніж у підходів з використанням нейронних мереж. Саме тому пропонується застосувати гібридний метод обробки зображень, що базується на конволюційних нейронних мережах. Структура мережі відрізняється від класичних підходів комбінацією обробки нейронною мережею та одним з більш традиційних алгоритмів обробки зображень. Запропонавана системавикористовує конволюційні нейронні мережі замість традиційних генеративних змагальних мереж. Запропонована архітектура мережі використовує автокодувальник, який вчиться на різких зображеннях шляхом вилучення ознак. Після навчання вихідне зображення пропускається через автокодувальник. Після видалення шумів та застосування корекцій, декодер створює з цих даних необхідне різке зображення. Після обробки нейронною мережею, застосовується алгоритм Unsharp Masking з буфером глибини для покращення контрасту і яскравості результуючого зображення. У статті наведено перелік переваг використання вищезазначеної системи.
Бібл. 5, іл. 1.
2
Pogrebnyak, S. V., and O. O. Vodka. "Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі." Scientific Bulletin of UNFU 28, no. 11 (December 27, 2018): 130–34. http://dx.doi.org/10.15421/40281123.
Full textAbstract:
У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.
3
Ялова, Катерина, Ксенія Яшина, Тетяна Говорущенко, and Олександр Тарасюк. "СЕНТИМЕНТ АНАЛІЗ ЗАСОБАМИ НЕЙРОННОЇ МЕРЕЖІ." Математичне моделювання, no. 1(44) (July 1, 2021): 30–37. http://dx.doi.org/10.31319/2519-8106.1(44)2021.235906.
Full textAbstract:
У статті здійснено постановку завдання аналізу тональності вхідної текстової інформації, яке відноситься до розділу прикладної лінгвістики та обробки природньої мови. Розроблено двонаправлену нейронну мережу з довгою короткотривалою пам’яттю для розв’язання завдання сентимент аналізу. Обґрунтовано доцільність застосування додаткового шару для нейронної мережі з умовно випадковими полями. Для проведення навчання нейронної мережі застосовано корпус текстових повідомлень з соціальної мережі. Описано результати навчання, валідації та тестування розробленої нейронної мережі. Для оцінювання якості розпізнавання сентиментів застосовано метрики повноти (precision), точності (recall) та збалансованої міри F1. Найкращі значення розпізнавання на тестовому наборі даних були отримані для позитивного сентименту і склали precision = 61,92 %, recall = 69,21 %, F1 = 65,36 %.
4
Грицюк, Іванна, and Andrii Safonyk. "Розроблення інформаційної системи для спектрофотометричного аналізу." Modeling Control and Information Technologies, no. 5 (November 21, 2021): 135–36. http://dx.doi.org/10.31713/mcit.2021.44.
Full textAbstract:
Проаналізовано основні види архітектури нейронних мереж та обрано оптимальну архітектуру для процесу визначення іонів заліза спектрофотометричним методом, розроблено схему нейронної мережі, проаналізовано точність навчання та обрано аналізатор даних нейронної мережі. Для тестування роботи та отримання даних досліджень було розроблено веб-інтерфейс з використанням JavaScript фреймворк Vue.js.
5
Zhukovskyy, V. V., S. V. Shatnyi, and N. A. Zhukovska. "Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 100–104. http://dx.doi.org/10.36930/40300517.
Full textAbstract:
Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.
6
Проніна, О., and В. Дегтяр. "Використання нейронних мереж для коригування дефектів мовлення у дітей." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 44 (November 2, 2021): 127–33. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-20.
Full textAbstract:
Визначення дефектів мовлення у дитини є актуальною науково-практичною задачею, оскільки своєчасне коректування мови дозволяє покращити комунікативні здібності дитини в майбутньому. Грунтуючись на аналізі наведеному в роботі логічним є використання згорткових нейронних мереж як інструменту виявлена дефекту і його виду. Робота присвячена розробці алгоритму для виявлена дефекту мови, що включає в себе підготовку даних для навчання моделі і використання згорткової нейронної мережі. Описана архітектура згорткової нейронної мережі, що була розроблена. Проведено експерименти для перевірки точності і адекватності розробленої моделі нейронної мережі, результати наведені у вигляді табличних даних
7
Іванов, С. М. "МЕТОД ПРОГНОЗУВАННЯ В ЕПОХІ - ПРОМИСЛОВОСТІ 4.0." Visnik Zaporiz'kogo nacional'nogo universitetu. Ekonomicni nauki, no. 2 (50) (August 12, 2021): 127–33. http://dx.doi.org/10.26661/2414-0287-2021-2-50-24.
Full textAbstract:
Для збільшення швидкості передачі даних, забезпечуючи доступ до багато- вимірних даних, використовується Big Data як інструмент в умовах промис- ловості 4.0. На основі моделі MapReduce ви можете використовувати сучасні інструменти для роботи з великими даними. Тому в роботі досліджуються великі дані як єдине централізоване джерело інформації для всієї предметної області. Крім того, у цій роботі пропонується структура системи прогнозування нейронної мережі, яка включає багато баз даних, де транзакції обробляються в режимі реального часу. Для прогнозування багатовимірних даних нейронної мережі розглядається і будується мережа в Matlab. Матриця вхідних даних та матриця цільових даних, які визначають вхідну статистичну інформацію, використовуються для навчання нейронної мережі. Розглянуто застосування алгоритму Левенберга-Марквардта для навчання нейронної мережі. Також представлені результати тренувального процесу нейронної мережі в Matlab. Представлені отримані результати прогнозування, що дозволяє зробити висно- вок про переваги нейронної мережі у багатовимірному прогнозуванні.
8
Мажара, І. П., and О. І. Тимочко. "Модель процесу управління повітряним рухом на основі нейронних нечітких мереж." Наука і техніка Повітряних Сил Збройних Сил України, no. 2(43), (May 11, 2021): 61–65. http://dx.doi.org/10.30748/nitps.2021.43.08.
Full textAbstract:
Нейронні мережі мають ряд переваг, необхідних для вирішення задачі моделювання інформаційної системи управління повітряним рухом. Але процес навчання мережі часто відбувається досить повільно. Для прискорення процесу навчання мережі ввести будь-яку апріорну інформацію (знання експерта) неможливо. До того ж аналіз навченої нейронної мережі досить складний, зазвичай вона являє собою чорний ящик для користувача. Усунути або мінімізувати існуючі недоліки нейронної мережі здатні системи на базі нечіткої логіки, які вирішують погано формалізовані задачі і пояснюють одержувані висновки роботи системи.
9
Загородній, О. "Принципи медичної діагностики злоякісного раку шкіри людини за допомогою штучних нейронних мереж." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 40 (September 19, 2020): 31–36. http://dx.doi.org/10.36910/6775-2524-0560-2020-40-05.
Full textAbstract:
Наведено принципи медичної діагностики онкологічних захворювань шкіри людини за допомогою штучних нейронних мереж. Розкрито аспекти розвитку штучного інтелекту, які дозволяють створювати на базі біологічних підходів інтелектуальні системи в різних областях застосування. Охарактеризовано етапи онкологічної діагностики, які є обов’язковими та мають фундаментальний вплив на подальше лікування пацієнта у разі діагностування злоякісного раку шкіри, результатом кожного з етапів є клінічний діагноз, морфологічний діагноз та патоморфологічний діагноз. Окреслено поняття меланоми та особливості її розвитку. Досліджено алгоритми автоматизованого комп'ютерного аналізу дерматологічних зображень, які забезпечують допомогу лікарям у постановці діагнозу та сприяють підвищенню точності діагностики. Розроблено структурну схему діагностування онкологічних захворювань шкіри людини за допомогою штучних нейронних мереж. В основі завдання диференціації патологій шкірних покривів людини лежить умовний поділ на 4 частини для вирішення завдань бінарної класифікації. Підкреслено, що навчання штучної нейронної мережі відбувається за допомогою наборів даних. Наголошується, що враховуючи завдання бінарної класифікації, у кожному напрямку застосування, наборам даних присвоюються мітки класу нуль та один, представлені у вигляді масиву. У статті розроблено детальний алгоритм, наведений у вигляді блок-схеми, здатний здійснювати постановку остаточного медичного діагнозу щодо захворювання шкіри на онкологічні патології за допомогою штучної нейронної мережі. Описаний алгоритм розроблений на основі штучних нейронних мереж, навчених вирішувати завдання бінарної класифікації. Результатом роботи штучної нейронної мережі є висновок приналежності вхідного значення до класів, на яких описана нейромережа проходила етап навчання.
10
Karpa, D. М., I. H. Tsmots, and Yu V. Opotiak. "Нейромережеві засоби прогнозування споживання енергоресурсів." Scientific Bulletin of UNFU 28, no. 5 (May 31, 2018): 140–46. http://dx.doi.org/10.15421/40280529.
Full textAbstract:
Досліджено та обґрунтовано вибір нейромережевих структур для оброблення статистичних даних з метою прогнозування та виявлення аномальних показників споживання енергоресурсів. Показано, що системам на основі нейронних мереж завжди протиставлялись експертні системи, які, на відміну від перших, очевидно програмувались. Середовище, в якому працює система, не завжди є статичним і потрібні методи опрацювання даних, які могли б адекватно реагувати на зміну середовища та вміти відповідно адаптувати отримувані результати. Нейронні мережі володіють такою особливістю, як вміння навчатись. Ця особливість і є основним аргументом для застосування таких структур у системах управління енергоефективністю. Розроблена архітектура мережі та застосований процес навчання дав змогу прогнозувати показники спожитої електроенергії з урахуванням багатьох параметрів. Особливістю розробленої архітектури є можливість здійснювати перенавчання у процесі функціонування, не перериваючи його. Використання адаптивного та безперервного навчання нейромережі дасть змогу виявляти аномальні показники даних. Точність такого виявлення було перевірено на реальній вибірці даних. Аналіз отриманих результатів показує, що використання нейронних мереж хоч і потребує швидкодії і часу на навчання, проте, під час класифікації вхідного вектора, швидкодія нейронної мережі перевищує будь-який алгоритм кластеризації.
Dissertations / Theses on the topic "Навчання нейронної мережі"
1
Ковшик, Валентин Ігорович. "Визначення параметрів штучної нейронної мережі для прогнозування логістичних витрат." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2017. http://repository.kpi.kharkov.ua/handle/KhPI-Press/42694.
Full text
2
Кохановська, Н. В., О. В. Якімова, and Андрій Олександрович Дашкевич. "Розробка алгоритму навчання штучної нейронної мережі для вирішення задачі класифікацї." Thesis, НТУ "ХПІ", 2011. http://repository.kpi.kharkov.ua/handle/KhPI-Press/3350.
Full text
3
Болбас, Ю. А., and М. Г. Заворотна. "Выбор структуры нейронной сети для выполнения функций распознавания." Thesis, ХНУРЕ, 2019. http://openarchive.nure.ua/handle/document/8475.
Full textAbstract:
The neural network is a series of neurons connected by synapses. The structure of the neural network came from biology. The machine has the ability to analyze and memorize various information. Neural networks are able not only to analyze incoming information, but also to reproduce it from its memory. In order for the human brain to use neural networks. When learning without a teacher, the model uses unpartitioned data, from which the algorithm independently tries to extract features and dependencies. Learning without a teacher is often used when there are no known results in advance.
4
Новіков, Олександр Олегович. "Комп’ютерні засоби діагностування захворювань на основі нейронної мережі." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/43287.
Full textAbstract:
Кваліфікаційна робота включає пояснювальну записку (50 с., 36 рис., 2 додатки).
Об’єкт розробки – створення комп’ютерного засобу для діагностування захворювань на основі нейронної мережі, яка дозволяє визначати наявність недугу.
Предмет розробки – автоматизація діагностування діабетичної ретинопатії.
Комп’ютерний засоб дозволяє: діагностувати захворювання на основі цифрового зображення, яке завантажене користувачем використовуючи графічний інтерфейс. В процесі розробки було використано мову програмування високого рівня Python та пакети TensorFlow, Keras, NumPy.
В ході розробки:
- проведено аналіз методів машинного навчання для класифікації цифрових зображення;
- розроблено програмну систему для діагностування діабетичної ретинопатії з користувацьким інтерфейсом;
- виконано дослідження ефективності розробленої системи;
Використання цієї системи дозволить автоматизувати діагностування недугу. Що надає можливість своєчасного лікування пацієнта, економить час і сили лікарів.The object of development - the creation of a software system for diagnosing diseases based on the neural network, which allows to determine the presence of the disease. The subject of development is the automation of the diagnosis of diabetic retinopathy. The software system allows user to diagnose the disease on the basis of a digital image that is uploaded using a graphical interface. In the development process were using programming language Python and such packages as TensorFlow, Keras, NumPy. During development: - analysis of machine learning methods for the classification of digital images is carried out; - developed a software system for the diagnosis of diabetic retinopathy with a user interface; - studied the efficiency of the developed software. The use of this software system will make it possible to automate the diagnosis of the disease. That can help to timely treat the patient, save the time and effort of doctors.
5
Руденко, Інна Вікторівна. "Інформаційна технологія для класифікації марок автомобілів з використанням згорткової нейронної мережі." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9696.
Full textAbstract:
Метою роботи є розробка програмного модуля, що базується на удосконаленні та оптимізації параметрів класифікаційної моделіз горткової нейронної мережі.Дана дипломна робота присвячена розробці програмного продукту для розпізнавання марок автомобілів за допомогою навчання згорткової нейронної мережі і підбору оптимальних параметрів.
6
Шамрелюк, В'ячеслав Валерійович. "Розпізнавання образів нейромережею із генетичним алгоритмом навчання." Магістерська робота, Хмельницький національний університет, 2021. http://elar.khnu.km.ua/jspui/handle/123456789/10987.
Full textAbstract:
Кваліфікаційна робота розв’язує задачу автоматизованого розпізнавання образів нейромережею перцептрон, навчання якої здійснюється за допомогою генетичного алгоритму, зокрема, при навчанні двошарової нейромережі перцептрон за допомогою генетичного алгоритму навчання виконується повне поступове налаштування множини ваг синапсів нейромережі, що складається із двох підмножин, які утворюються предсинаптичними зв’язками схованого та вихідного прошарків нейронів мережі.
7
Ф, Брунь В. "Концептуальні підходи до навчання нейронних мереж." Thesis, Київ, Національний авіаційний університет, 2012. http://er.nau.edu.ua/handle/NAU/18857.
Full textAbstract:
Розглянуто основні принципи функціонування нейронних мереж. Елементарним перетворювачем у даних мережах є штучний нейрон, який складається з елементів трьох типів: помножувачів або синапсів, суматора і нелінійного перетворювача.
Найважливішою властивістю нейронних мереж є їх здатність навчатися на основі даних навколишнього середовища і в результаті навчання підвищувати свою продуктивність. Розглядається два концептуальні підходи до навчання нейронних мереж: навчання з учителем і навчання без учителя.
8
Зубенко, О. В., Л. М. Семенова, O. V. Zubenko, and L. M. Semenova. "Artificial Neural Networks and Their Current Level of Development." Thesis, Міжнародний гуманітарний університет; Південний регіональний центр Національної академії правових наук України, 2018. http://ir.lib.vntu.edu.ua//handle/123456789/24113.
Full textAbstract:
Neural networks, as one of the leading modern areas of information technology development, are reviewed in this work. The general concept of the neural network, the main types of them, as well their current level of development are presented.В роботі розглянуто нейронні мережі як один з провідних сучасних напрямків розвитку інформаційних технологій. Представлено загальну концепцію нейронної мережі, основні різновиди таких мереж та їх сучасний рівень розвитку.
9
Мац, В. І., and Леонід Михайлович Любчик. "Перенесення стилю за допомогою нейронних мереж." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2019. http://repository.kpi.kharkov.ua/handle/KhPI-Press/48448.
Full text
10
Смішний, Денис Миколайович. "Система прогнозування економічних показників." Master's thesis, КПІ ім. Ігоря Сікорського, 2019. https://ela.kpi.ua/handle/123456789/30950.
Full textAbstract:
Магістерська дисертація: 88 с., 20 рис., 27 табл., 1 додаток, 33 джерел.
Актуальність проблеми. Глобалізація та збільшення числа населення сприяють розвитку глобальної економіки, а отже — появі нових видів госпо-дарської діяльності та нових гравців на ринку праці. При реалізації власного підприємства важливо правильно оцінити ризики ринку, проаналізувавши та спробувавши спрогнозувати рух котирувань на найближчий час задля мінімальних фінансових втрат.
Зв’язок роботи з науковими програмами, планами, темами. Наразі, не має конкретних зв’язків з науковими програмами чи планами.
Мета і задачі дослідження. Завданням цієї роботи є дослідження мож-ливості прогнозування економічних параметрів підприємств на прикладі цін на акції компаній на фондовій біржі. Метою є розроблення системи, побудо-ваної на базі нейронної мережі, здатної проаналізувати задані економічні по-казники та, на основі отриманих даних спрогнозувати їхню динаміку.
Об’єкт дослідження. Процес прогнозування економічних показників з використанням елементів нейронної мережі.
Предмет дослідження. Методи аналізу та обробки економічних даних за певний період.
Новизна. Отримання програмного продукту, що здатний прогнозувати коливання економічних показників. Дослідження можливості реалізації мо-делі на основі нейронної мережі для виконання поставленої мети та завдань.Master's Thesis: 88 pp., 20 figs., 27 tables, 1 appendix, 33 sources. The urgency of the problem. Globalization and population growth are con-tributing to the development of the global economy and, consequently, to the emergence of new types of economic activity and new players in the labor market. When implementing your own business it is important to properly evaluate the risks of the market, analyzing and trying to predict the movement of quotations in the near future for minimal financial losses. Relationship with working with scientific programs, plans, topics. Cur-rently, it has no specific links to scientific programs or plans. The purpose and objectives of the study. The purpose of this work is re-search possibility of forecasting the economic parameters of enterprises on the ex-ample of stock prices of companies on the stock exchange. The purpose is to de-velop a system based on a neural network, capable of analyzing specified economic indicators and, based on the data obtained, to predict their dynamics. Object of study. The process of forecasting economic performance using neural network elements. Subject of study. Methods of analysis and processing of economic data for a certain period. Novelty. Obtaining a software product capable of predicting economic fluc-tuations. Investigation of the possibility of creating a universal model based on a neural network, which would not require specialization and would be able to work effectively with any set of input data without further training.
Reports on the topic "Навчання нейронної мережі"
1
Семеріков, С. О. Застосування методів машинного навчання у навчанні моделювання майбутніх учителів хімії. КДПУ, November 2018. http://dx.doi.org/10.31812/123456789/2647.
Full textAbstract:
Починаючи з 2018-2019 н. р., для магістрантів з додатковою спеціальністю «Інформатика» уведено навчальну дисципліну «Чисельні методи та моделювання», спрямованої на формування у студентів системи теоретичних знань з основ апарату чисельних методів і практичних навичок їх використання для розробки та дослідження математичних моделей. Одним із провідних завдань дисципліни є надання комплексу знань, необхідних для розуміння проблем, які виникають під час побудови та при використанні сучасних інтелектуальних систем, та ознайомлення студентів з основними принципами нейромережевого моделювання: – загальними характеристиками біологічних та штучних нейронів; – штучною нейронною мережею Хебба, класичним та модифікованими перцептронами; – видами функцій активації, що набули поширення в штучних нейронних мережах; – технологією проектування одношарових та багатошарових штучних нейронних мереж; – алгоритмами навчання нейронних мереж. Вказані питання в останні десятиріччя розглядаються у межах машинного навчання (Machine Learning) – розділу штучного інтелекту, що розглядає методи побудови алгоритмів та на їх основі програм, здатних «навчатися» шляхом подання емпіричних даних (прецедентів або спостережень), в яких виявляються закономірності, та на їх основі будуються моделі, що надають можливість у подальшому прогнозувати певні характеристики для нових об’єктів. На жаль, класичний (і найбільш популярний у світі) курс машинного навчання Е. Ина (Andrew Ng), розміщений на платформі Coursera, зорієнтований насамперед на студентів-початковців інформатичних спеціальностей – це надає можливість пропонувати його для самостійного опрацювання, але не розв’язує основну проблему: надання змістовних моделей, що відображають специфіку основної спеціальності – хімія.