机器学习无处不在，由于我们拥有大量的数据，我们正在构建的模型非常丰富和复杂。更快的通信和更大的处理能力引发了一场人工智能革命。 人工智能革命、机器学习、神经网络。 推荐算法、预测、图像和语音识别工具只是每天都在开发的技术的一小部分。事实上，您会对此时此刻影响您生活的机器学习工具的数量感到惊讶。 人工智能并非万无一失。就像人类一样，他们可能会犯错误，甚至可能会忘记。对于神经网络来说，遗忘可能是一场灾难，就像突然失忆一样。 什么是神经网络？ 神经网络训练、机器学习、数据集。 神经网络是一种非常流行的机器学习形式，广泛用于预测。这个名字来源于这样一个事实：该系统试图模仿神经学家认为人脑学习新信息的方式。 虽然基础数学相当复杂，但原理很简单。想象一下，您有一系列通过路径连接的数学方程，就像神经元如何交织成脑组织一样。
就像感官感知到某种现象时大
脑的反应一样，神经网络在收到信息时就会被触发。根据所述信息的性质，一些途径被激活，而另一些途径被抑制。 该过程以提供新信息（例如预测）的输出节点结束。假设您感知到一种四足动物：这会在处理信息时触发大脑活动，直到您得出结论认为您看到的是狗而不是猫。 就像人类一样，区分狗和猫的能力必须来自某个地方。我们必须用数据训练神经网络，以便它能够学习。这是在训练阶段通过向其提供预先构建的数据集来完成的，例如，一系列带有“猫”或“狗”等名称标签的图片。 之后，我们使用另一个样本集来 巴西手机号码数据 测试训练。这称为预测阶段。把它想象成学生在了解动物后进行的测试。如果网络具有良好的预测率，则可以进行部署。 神经网络如何忘记 当然，在我们了解了猫和狗之后，我们还了解了鹿、牛、公牛、植物，并培养了区分它们的技能。这就是我们所说的“可塑性”，即人类不断成长和学习的能力。
另一方面神经网络在
这方面相当有限例如，在的一项非常著名的研究中，研究人员用一系列包含第一个问题的 17 个问题训练了一个神经网络。 在彻底测试结果后，他们开始向机器提供一系列附加问题，这次是数字 正如预期的那样，它学会了如何解决数字 2 的问题，但它忘记 加拿大人民 了如何解决包含数字 2 的问题。数字 1。 发生了什么？简而言之，神经网络在训练阶段动态地在节点之间创建上述路径。这些路径是根据输入机器的数据构建的。 当你向它提供新信息时，就会形成新的路径，有时会导致算法“忘记”它之前训练的任务。有时，误差幅度会增加，但有时，机器会完全忘记任务。这就是所谓的灾难性遗忘或灾难性干扰。 灾难性遗忘是一个问题吗？ 灾难性遗忘、机器学习、神经网络。 在大多数情况下，不会，大多数当前的神经网络都是通过引导学习进行训练的。换句话说，工程师精心挑选他们提供给网络的数据，以避免原始数据可能出现的偏差和其他问题。
