Wykorzystanie sztucznych sieci neuronowych
Sztuczne sieci neuronowe są uogólnionym modelem obliczeniowym wzorowanym na zachowaniu komórek nerwowych, a więc czerpią z analogii do budowy mózgu. Ta analogia nie jest jednak celem samym w sobie (poza zupełnie niezależnymi próbami budowy „sztucznego mózgu”, co nie jest przedmiotem niniejszej książki), a przeradza się w budowę obliczeniowych modeli matematycznych opartych na idei tak zwanego „uczenia maszynowego” (ang. machine learning, ML). Jaki ma to związek z zastosowaniami w naukach politycznych? Wyjaśnienie tej kwestii znajduje się na kartach książki.
Tytuł pracy pozostaje w ścisłym związku z układem jej treści. I tak, najpierw omówione zostają zagadnienia dotyczące biologicznych sieci neuronowych, następnie założenia modelu obliczeniowego, a na końcu – mowa jest o przykładowych zastosowaniach. Stąd też, w szerszej perspektywie, książka składa się z dwóch części: teoretycznej i empirycznej opartej na swego rodzaju studium przypadku (jest nim politologia).
Jest prawdopodobne, że sięgną do tej książki osoby zaintrygowane tylko jej tytułem. Takich Czytelników wypada zapewnić, że tekst skierowany jest w szczególności do tych osób, które do tej pory nie wykorzystywały w działalności naukowej omawianych podejść, a zwłaszcza jest kierowana do tych, którzy zakładają, że prawdopodobnie… nigdy ich nie wykorzystają. Przez wzgląd na nich, dołożono wszelkich starań, aby wywód – momentami nieco hermetyczny – opatrzyć odpowiednią liczbą przykładów ilustrujących intersujące nas zjawiska.
Stąd też, jeżeli szukasz odpowiedzi na pytania m.in.:
Czy sieci neuronowe znajdują zastosowania w naukach politycznych?
Czym są nauki społeczne 2.0?
Co oznacza soft computing, neurokomputing i czym jest neuromorficzny chip?
Co ma wspólnego Rembrandt z Rumelhartem i sieciami neuronowymi?
Jaki związek z sieciami neuronowymi ma logika rozmyta oraz algorytmy genetyczne?
Na czym polega doniosłość badań nad nicieniem Caenorhabditis elegans?
Dlaczego Ada Lovelace przeszła do historii i to nie tylko nauki?
Jaką ilość danych przyswajał człowiek w XV wieku, a jaką obecnie?
Ile to jest 1 yottabajt danych?
Jaka część danych w skali globalnej to dane ustrukturyzowane, a jaka – cyfrowe?
Czy obecnie jeszcze istnieją w wersji papierowej kopie zapasowe danych?
Ile danych jest potrzebnych w celu zidentyfikowania konkretnej osoby z 95% pewnością?
Czym jest kulturomika?
Czy można opatentować dane opisujące organizmy żywe?
Czym jest perceptron wielowarstwowy, metoda wstecznej propagacji błędów, deep learning, anwersalne sieci generatywne, sieci rekurencyjne, splotowe, komórkowe, LSTM, machine learning, projektowanie generatywne, text mining, sentiment analysis, przetwarzania języka naturalnego (NLP) – oraz dlaczego warto te pojęcia znać?
Na czym polega uczenie sieci neuronowych i czy można je „przeuczyć”?
Jakie są przykładowe zastosowania uczenia maszynowego i sieci neuronowych w naukach politycznych?
Czy demokracja i technologia są ze sobą sprzeczne?
– to warto sięgnąć po tę książkę!
Albert Einstein miał stwierdzić: „Wyobraźnia bez wiedzy może tworzyć rzeczy piękne. Wiedza bez wyobraźni najwyżej doskonałe. Wyobraźnia jest ważniejsza niż wiedza, bo choć wiedza wskazuje na to, co jest, wyobraźnia wskazuje na to, co będzie”. Kolejne rozdziały książki są poświęcone właśnie pewnym szczególnym aspektom tego co jest i tego – co będzie.
Książka dotyczy sztucznych sieci neuronowych, jednej z najważniejszych technologii uczenia maszynowego, ważnego działu sztucznej inteligencji, w zastosowaniu do badan politologicznych. Nie ma podobnej pozycji w języku polskim (…). Temat jest ważny i obecnie bardzo popularny ze względu na liczne inicjatywy dotyczące sztucznej inteligencji i sieci neuronowych w szczególności.
prof. dr hab. Włodzisław Duch
Katedra Informatyki Stosowanej, Instytut Nauk Technicznych,
Uniwersytet Mikołaja Kopernika w Toruniu
Praca skutecznie przełamuje (…) stereotyp statystyki jako aktywności trudnej i często nieprzekładalnej na syntetyczne wnioski o otaczającej rzeczywistości społecznej i politycznej. Prowadzona przez Autora narracja, przystępny oraz systematyczny wykład stanowią mocną stronę recenzowanej publikacji, umożliwiając nawet nieobeznanemu z tematyka analiz ilościowych Czytelnikowi zrozumienie metodyki i zastosowań analiz z wykorzystaniem sztucznych sieci neuronowych.
Nowatorstwo Autora odnajdujemy w syntezie i systematycznej ewaluacji użyteczności sztucznych sieci neuronowych na gruncie politologii (…), co w dalszej perspektywie przyczyni się do rozwoju dyscypliny nauk o polityce w obszarze metodologii. Jest to także próba zabrania głosu w szeroko pojętej debacie metodologicznej w naukach o polityce, szczególnie w kontekście swoistej Wilsonowskiej konsiliencji (zmierzania od hermetycznej merytorycznie i metodologicznie dyscypliny do nauki zorientowanej interdyscyplinarnie, a nawet „pandyscyplinarnie”), w tym wykorzystania narzędzi, doświadczeń i paradygmatów zarówno nauk ścisłych, jak i społecznych.
dr hab. Daniel Mider
Wydział Nauk Politycznych i Studiów Międzynarodowych,
Uniwersytet Warszawski
Wykaz skrótów 9
Uwagi wstępne 11
Rozdział 1. Wprowadzenie do tematyki 17
1.1. Zalety sztucznych sieci neuronowych 17
1.1.1. Liczba parametrów modelu 18
1.1.2. Biologiczne inspiracje 20
1.1.3. Elastyczność 20
1.1.4. Sieciowa struktura. Stabilność i efektywność analizy dużych zbiorów danych 21
1.1.5. Brak konieczności spełnienia warunku liniowości i normalnego rozkładu danych 23
1.2. Wady sztucznych sieci neuronowych 29
1.2.1. Specjalizacja i hermetyczność wiedzy przedmiotowej. Terminologia 29
1.2.2. Wykorzystanie komputerów i oprogramowania 31
1.2.3. Efektywność 32
1.2.4. Interpretowalność parametrów modelu. Problem „czarnej skrzynki” 32
1.2.5. Elastyczność 35
1.2.6. Ograniczone zastosowanie 36
1.3. Użyteczność sztucznych sieci neuronowych. Definicja 38
Rozdział 2. Biologiczne inspiracje 43
2.1. Komputer jako imitacja mózgu 51
2.2. Mózg jako inspiracja dla rozwiązań algorytmicznych i układy hybrydowe. Sztuczna inteligencja 58
Rozdział 3. Rozwój sztucznych sieci neuronowych (rys historyczny). Stan badań 67
Rozdział 4. Architektury (topologie) sztucznych sieci neuronowych 79
4.1. Problem liczby elementów sieci: warstwy i neurony 80
4.2. Problem sposobu połączeń elementów sieci 87
4.2.2. Sieci rekurencyjne 89
4.2.3. Sieci LSTM 90
4.2.4. Sieci splotowe 91
4.2.5. Sieci samoorganizujące się 92
4.2.6. Sieci komórkowe 93
Rozdział 5. Działanie sztucznej sieci neuronowej Uczenie maszynowe (machine learning) 95
5.1. Model McCullocha-Pittsa 99
5.2. Uczenie z nauczycielem (uczenie nadzorowane). Metoda wstecznej propagacji błędów 101
5.3. Uczenie bez nauczyciela (uczenie nienadzorowane) 104
5.4. Uczenie ze wzmocnieniem (reinforced learning) 106
5.5. Uczenie maszynowe (machine learning) 107
5.6. Ocena jakości modelu 114
Rozdział 6. „Dane, wszędzie dane” Big data 119
6.1. Definicja big data 120
6.2. Big data jako wyzwanie dla nauk społecznych 125
6.2.1. Wyzwanie 1: logika procesu badawczego, przyczynowość a korelacja 127
6.2.2. Wyzwanie 2: metodologia 132
6.2.3. Nauki społeczne 2.0? 136
6.3. Rodzaje i źródła danych. Open data 140
6.4. Big data a etyka Problem gromadzenia, przechowywania i wykorzystania danych 151
Rozdział 7. Przykłady zastosowań politologicznych 169
7.1. Problemy predykcyjne 171
7.2. Problemy klasyfikacyjne 179
7.2.1. Badanie konfliktów zbrojnych 180
7.2.2. Inne zagadnienia klasyfikacyjne 191
Zakończenie 197
Bibliografia 209
Indeks osobowy 243
