feedforward neural network

Angol

Főnév

feedforward neural network (tsz. feedforward neural networks)

(informatika) A Feedforward Neural Network (FFNN, magyarul: előrecsatolt mesterséges neurális hálózat) a mesterséges neurális hálózatok legegyszerűbb és legalapvetőbb típusa. A „feedforward” elnevezés arra utal, hogy az adatok csak egy irányba áramlanak: a bemeneti rétegből a kimeneti réteg felé, visszacsatolás (recurrent kapcsolat) nélkül.

Ez a hálózat képes:

nemlineáris minták felismerésére,
regressziós és osztályozási feladatok megoldására,
általánosításon keresztül új példák értelmezésére.

🧩 Hogyan épül fel?

A FFNN háromféle rétegből áll:

Bemeneti réteg (input layer) Az adatok belépési pontja a hálózatba. Minden jellemzőhöz egy bemeneti neuron tartozik.
Rejtett réteg(ek) (hidden layer(s)) Az adatok transzformációját, mintakivonást és feldolgozást végzik. Lehet egy vagy több is (ha több → deep neural network).
Kimeneti réteg (output layer) A predikció vagy válasz eredménye. Pl. kategória, valószínűség, szám.

🔁 Működése lépésenként

Bemenet: A bemeneti adatok (pl. számok, képpontok) eljutnak az első rétegbe.
Lineáris kombináció: Minden neuron kiszámít egy súlyozott összeget:

$z=w_{1}x_{1}+w_{2}x_{2}+...+w_{n}x_{n}+b$
Aktivációs függvény: A lineáris kimenetet nemlineáris módon továbbítja:

$a=\sigma (z)$

Ilyen függvények: ReLU, sigmoid, tanh.
Továbbítás: Az aktivált értékeket a következő réteg neuronjai megkapják bemenetként.
Kimenet: A végső réteg adja meg az előrejelzést (pl. osztálycímke, valószínűségvektor).

⚙️ Aktivációs függvények

Függvény	Képlet	Jellemző
ReLU	${\textstyle \max(0,z)}$	Egyszerű, gyors, nem szaturál
Sigmoid	${\textstyle {\frac {1}{1+e^{-z}}}}$	0 és 1 közé skáláz
Tanh	${\textstyle \tanh(z)}$	-1 és 1 közé skáláz
Softmax	exp-alapú normalizálás	Többosztályos kimenetekhez

🧪 Tanulás: Backpropagation + Gradient Descent

A FFNN tanítása felügyelt módon történik:

Előreterjesztés (forward pass): kiszámolja a háló kimenetét.
Hibaszámítás: összehasonlítja az eredeti (cél) kimenettel.
Hibaterjesztés (backpropagation): kiszámítja a súlyokhoz tartozó gradiens értékeket.
Súlyfrissítés: a súlyokat úgy módosítja, hogy a hiba csökkenjen (gradienscsökkenéssel).

📘 Egyszerű példa: XOR feladat

Bemenet	Célkimenet
0 0	0
0 1	1
1 0	1
1 1	0

Ezt egy rejtett réteggel rendelkező FFNN már meg tudja tanulni, ellentétben a lineáris modellekkel (pl. perceptron).

📚 Alkalmazások

Terület	Példa
Osztályozás	Betűfelismerés, SPAM-szűrés, képfeldolgozás
Regresszió	Árjóslás, időjárásbecslés
Jelértelmezés	EEG, szenzorjelek, hang
Előfeldolgozás	Autoencoderek előrétegeként
Alap DNN-építőelem	Komplex hálózatok részeként

🛠️ Kódminta (Python, Keras)

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(8, input_dim=4, activation='relu'))  # rejtett réteg
model.add(Dense(1, activation='sigmoid'))            # kimenet (pl. bináris)

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=100, batch_size=10)

✅ Előnyök

Egyszerű és jól érthető
Nemlineáris függvényeket is megtanul
Széleskörűen használható osztályozásra és regresszióra
Jól skálázható több rétegre (mély tanulás alapja)

⚠️ Hátrányok

Nem alkalmas idősoros vagy szekvenciális adatokra (ez RNN dolga)
Korlátozott tanulási képesség kevés neuron/réteg esetén
Hajlamos túlilleszkedésre kis adathalmazon
Nem képes figyelni a kontextusra – minden bemenetet egyenként értékel

📊 Összefoglaló

Fogalom	Jelentés
FFNN	Feedforward Neural Network – az adatok egy irányba áramlanak
Rétegek	Bemeneti – Rejtett – Kimeneti
Tanulás	Backpropagation + gradient descent
Alkalmazás	Osztályozás, regresszió, jelértelmezés
Típus	Nem rekurzív, statikus hálózat

További információk

feedforward neural network - Szótár.net (en-hu)
feedforward neural network - Sztaki (en-hu)
feedforward neural network - Merriam–Webster
feedforward neural network - Cambridge
feedforward neural network - WordNet
feedforward neural network - Яндекс (en-ru)
feedforward neural network - Google (en-hu)
feedforward neural network - Wikidata
feedforward neural network - Wikipédia (angol)