Информационные технологии. Супер компьютер.Нейронные сети.Технологические возможности реализации высокой информационной плотности.

ИТ — это комплекс взаимосвязанных научных, технологических, инженерных дисциплин, изучающих методы эффективной организации труда людей, занятых обработкой и хранением информации; вычислительную технику и методы организации и взаимодействия с людьми и производственным оборудованием, их практические приложения, а также связанные со всем этим социальные, экономические и культурные проблемы. Сами ИТ требуют сложной подготовки, больших первоначальных затрат и наукоемкой техники. Их внедрение должно начинаться с создания математического обеспечения, формирования информационных потоков в системах подготовки специалистов.

Основные черты современных ИТ:

· компьютерная обработка информации по заданным алгоритмам;

· хранение больших[1] объёмов информации на машинных носителях;

· передача информации на значительные[2] расстояния в ограниченное время.

По виду задач и по виду процессов обработки информации этапы развития ИТ:

1-й этап (60 - 70-е гг.) — обработка данных в вычислительных центрах в режиме коллективного пользования.

2-й этап (с 80-х гг.) — создание ИТ, направленных на решение стратегических задач.

По используемому техническому обеспечению

1-й этап (до конца 60-х гг.) – решение проблемы обработки больших объемов данных в условиях ограниченных возможностей аппаратных средств.

2-и этап (до конца 70-х гг.) -распространение ЭВМ серии IBM/360

3-й этап (с начала 80-х гг.) — компьютер становится инструментом непрофессионального пользователя, а ИТ — средством поддержки принятия его решений

4-йэтап (с начала 90-х гг.) — создание современной технологии межорганизационных связей и ИС.

Инвестиции в инфраструктуру и сервисы Интернет вызвали бурный рост отрасли ИТ в конце 90-х годов XX века.

Суперкомпью́тер— вычислительная машина, значительно превосходящая по своим техническим параметрам большинство существующих компьютеров. Как правило, современные суперкомпьютеры представляют собой большое число высокопроизводительных серверных компьютеров, соединённых друг с другом локальной высокоскоростной магистралью для достижения максимальной производительности в рамках подхода распараллеливания вычислительной задачи.

В настоящее время границы между суперкомпьютерным и общеупотребимым программным обеспечением сильно размыты и продолжают размываться ещё более вместе с проникновением технологий параллелизации и многоядерности в процессорные устройства персональных компьютеров и рабочих станций. Исключительно суперкомпьютерным программным обеспечением сегодня можно назвать лишь специализированные программные средства для управления и мониторинга конкретных типов компьютеров, а также уникальные программные среды, создаваемые в вычислительных центрах под «собственные», уникальные конфигурации суперкомпьютерных систем.

Нейронные сети — сети нервных клеток живого организма

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса [1]. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Схема простой нейросети. Зеленым цветом обозначены входные нейроны, голубым скрытые нейроны, жёлтым — выходной нейрон

Применение:

· Распознавание образов и классификация. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу

· Принятие решений и управление.Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети.

· Кластеризация. Разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть может выявлять новые, неизвестные ранее классы сигналов.

· Прогнозирование. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений.

· Аппроксимация. с помощью линейных операций и каскадного соединения можно из произвольного нелинейного элемента получить устройство, вычисляющее любую непрерывную функцию