МЕТОДИ НАВЧАННЯ НЕЙРОННИХ МЕРЕЖ
4.1. Навчання нейронних мереж і еталонні дані
Для того, щоб ШНМ могла успішно представляти дані або функ-
ціональну залежність, її потрібно спершу навчити.
Навчання – це процес адаптації мережі до пред’явлених еталон-
них зразків модифікацією (відповідно до того чи іншого алгоритму)
вагових коефіцієнтів зв’язків між нейронами.
Зауважимо, що цей процесс – результат алгоритму функціонування
мережі, а не попередньо закладених у неї знань людини, як це часто бу-
ває в системах штучного інтелекту. Процес навчання повторюється іте-
ративно доти, доки мережа не набуде потрібних властивостей.
Якщо навчання ШНМ відбувається із використанням еталонних
даних, то такий підхід називають «навчанням з учителем» (supervised
training). Еталонні дані складаються з шаблонів. Кожен шаблон, в
свою чергу, складається із вектора відомих входів мережі
і вектора відповідних їм бажаних виходів 
. Коли на вхід ненавченої мережі подається еталон-
ний вектор X , вихідний вектор Y = y1, y2,…, ym буде відрізнятися 
від вектора бажаних вихідних значень D . У цьому разі функцію по-
хибки роботи ШНМ можна задати у вигляді, що відповідає методу
найменших квадратів:
(4.1)
де індекс p означає номер шаблона із еталонних даних. Таким чином похиб-
ка обчислюється як сума похибок за всіма шаблонами еталонних даних.
Слід зазначити, що розроблення адекватних еталонних даних для
навчання – завдання трудомістке і не завжди здійсненне.
4.2. Метод випадкового пошуку (random search)
Під час навчання ШНМ методом випадкового пошуку відбува-
ється динамічне підстроювання вагових коефіцієнтів синапсів, під час
якого вибираються здебільшого найслабкіші зв’язки і змінюються на
малу величину в той чи інший бік. Після цього обчислюють функцію
похибки (4.1) і зберігають тільки ті зміни, які зумовили зменшення
похибки на виході мережі порівняно з попереднім станом.
Очевидно, що цей підхід, попри свою уявну простоту, потребує
значної кількості ітерацій доки буде досягнуто прийнятних похибок
на виході мережі.