Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

NEURONOVÉ SÍTĚ. 2 PŘÍBĚH PHINEASE GAGE 3 NEURONY ZÁKLADNÍ STAVEBNÍ KAMENY JAKÉHOKOLIV MOZKU NA TÉTO PLANETĚ TVOŘÍ TZV. NEURONY. JSOU TO BUŇKY, KTERÉ.

Podobné prezentace


Prezentace na téma: "NEURONOVÉ SÍTĚ. 2 PŘÍBĚH PHINEASE GAGE 3 NEURONY ZÁKLADNÍ STAVEBNÍ KAMENY JAKÉHOKOLIV MOZKU NA TÉTO PLANETĚ TVOŘÍ TZV. NEURONY. JSOU TO BUŇKY, KTERÉ."— Transkript prezentace:

1 NEURONOVÉ SÍTĚ

2 2 PŘÍBĚH PHINEASE GAGE

3 3 NEURONY ZÁKLADNÍ STAVEBNÍ KAMENY JAKÉHOKOLIV MOZKU NA TÉTO PLANETĚ TVOŘÍ TZV. NEURONY. JSOU TO BUŇKY, KTERÉ JSOU V MOZKU NEJVÍCE ROZŠÍŘENY (CCA 20%) PO BUŇKÁCH GLIOVÝCH (CCA 80%).

4 4 V MOZKU JE ASI 25 MILIARD NEURONŮ. JEDEN NEURON JE SCHOPEN MÍT – SPOJENÍ S JINÝMI NEURONY. MOŽNOST JEJICH VZÁJEMNÝCH SPOJENÍ DOSAHUJE AŽ 10 TRILIÓNŮ KOMBINACÍ. NAPODOBENÍ MOZKU NA POČÍTAČOVÉ ÚROVNI NENÍ A NEBUDE JEDNODUCHÉ. VÝKONNOST MOZKU ZÁLEŽÍ HLAVNĚ NA KVALITĚ A MNOŽSTVÍ SPOJŮ MEZI NIMI ( NE NA VÁZE ČI OBJEMU)

5 5 CO SE DĚJE UVNITŘ NEURONÚ NENÍ DODNES USPOKOJIVĚ VYSVĚTLENO. EXISTUJÍ JEN JEDNODUCHÉ MATEMATICKÉ MODELY. ZÁKLADNÍM FAKTEM, KTERÝ JE DNES JIŽ JISTÝ, JE TO, ŽE BĚHEM JEJICH ČINNOSTI DOCHÁZÍ K VYTVÁŘENÍ NOVÝCH SPOJŮ A ZANIKÁNÍ SPOJŮ JIŽ EXISTUJÍCÍCH. TENTO PROCES MÁ ZA NÁSLEDEK SCHOPNOST PAMATOVAT SI A UČIT SE.

6 6 NEURON NEURONY VYTVÁŘÍ MOHUTNÉ SÍTĚ, VE KTERÝCH SE INFORMACE (V PODSTATĚ NAŠE MYŠLENÍ) ŠÍŘÍ VE FORMĚ ELEKTROCHEMICKÝCH VZRUCHŮ, DÁVÁ MOZKU JAKO TAKOVÉMU MASIVNÍ PARALELNÍ VÝPOČETNÍ SCHOPNOST.

7 7 ŠEDÁ A BÍLÁ HMOTA MOZKOVÁ VYŠŠÍ ČINNOST MOZKU JE PROJEVEM TOHO, ČEMU SE ŘÍKÁ INTELIGENCE A JE ZÁVISLÁ NA KVALITĚ BIOLOGICKÝCH PODSTRUKTUR, JAKÝMI JSOU V MOZKU PŘEVÁŽNĚ NEURONOVÉ SÍTĚ

8 8 PRŮŘEZ MOZEČKEMNERVOVÁ VLÁKNA S NEURONY

9 9 VYŠŠÍ MOZKOVÉ FUNKCE JSOU : UČENÍ SPÁNEK PAMĚŤ APOD VEŠKERÉ VYŠŠÍ FUNKCE SE DĚLÍ NA DVA ZÁKLADNÍ DRUHY A TO NA FUNKCE RACIONÁLNÍ A EMOTIVNÍ.

10 10 V ŽIVÝCH ORGANISMECH SE BĚHEM EVOLUCE VYVINULY V RÁMCI DRUHŮ KOMPLEXNÍ SYSTÉMY KOMPLIKOVANÝCH FUNKCÍ, KTERÉ UMOŽŇUJÍ KOEXISTENCI JAK JEDINCŮ V CELKU TAK RŮZNÝCH DRUHŮ. NAPŘ. VLČÍ SMEČKA.

11 11 NEURONOVÉ SÍTĚ VSTUP JÁDRO VÝSTUP CELKEM ASI 25 MILIARD

12 12 SÍLA SYNAPSE – SPOLEHLIVOST, S NÍŽ URČITÁ SYNAPSE PŘEDÁ ZPRÁVU OD JEDNOHO NEURONU K DRUHÉMU, SE DÁ CHÁPAT JAKO SÍLA SYNAPSE.

13 13 Warren McCulloch Marvin Minsky VYPRACOVÁNÍ MODELU NEURONU

14 LÉTA TOHOTO STOLETÍ Warren McCulloch

15 15

16 16 ROZDÍL MEZI PC A NEURONOVOU SÍTÍ NEURONOVÁ SÍŤPOČÍTAČ JE UČENA NASTAVOVÁNÍM VAH, PRAHŮ A STRUKTURY JE PROGRAMOVÁNA INSTRUKCEMI (IF, THEN, GOTO PAMĚŤOVÉ A VÝKONNÉ PRVKY TVOŘÍ HOMOGENNÍ CELEK PARALELISMUS TOLERUJÍ ODCHYLKY OD ORIGINÁLNÍCH INFORMACÍ SAMOORGANIZACE BĚHEM UČENÍ PROCES A PAMĚŤ JSOU PRO NĚJ SEPAROVÁNY SEKVENČNOST NETOLERUJÍ ODCHYLKY NEMĚNNOST PROGRAMU

17 17 VYUŽITÍ NEURONOVÝCH SÍTÍ

18 18 SCHÉMATICKÁ PODOBNOST TECHNICKÉHO A BIOLOGICKÉHO NEURONU

19 19

20 20 ROZDĚLENÍ TECHNICKÝCH NEURONOVÝCH SÍTÍ PODLE POČTU VRSTEV S JEDNOU VRSTVOU (HOPFIELDOVA SÍŤ, KOHONENOVA SÍŤ…) S VÍCE VRSTVAMI (ART SÍŤ, PERCEPTRON, KLASICKÁ VÍCEVRSTVÁ SÍŤ S ALGORITMEM BACKPROPAGATION) PODLE TYPU ALGORITMU UČENÍ S UČITELEM ( SÍŤ S ALGORITMEM BACKPROPAGATION…) BEZ UČITELE ( HOPFIELDOVA SÍŤ….) PODLE STYLU UČENÍM DETERMINISTICKÝM (NAPŘ. ALGORITMUS BACKPROPAGATION) STOCHASTICKÝM (NÁHODNÉ NASTAVOVÁNÍ VAH )

21 21

22 22

23 23 POD POJMEM TOPOLOGIE SÍTĚ ROZUMÍME ZPŮSOB, JAKÝM JSOU MEZI SEBOU SPOJENY JEDNOTLIVÉ NEURONY, VRSTVY A KOLIK VSTUPŮ A VÝSTUPŮ SÍŤ MÁ.

24 24 SCHOPNOST NEURONOVÝCH SÍTÍ UČIT SE, SPOČÍVÁ V MOŽNOSTI MENIT VŠECHNY VÁHY V SÍTI PODLE VHODNÝCH ALGORITMŮ NA ROZDÍL OD SÍTÍ BIOLOGICKÝCH, KDE JE SCHOPNOST UČIT SE ZALOŽENA NA MOŽNOSTI TVORBY NOVÝCH SPOJŮ MEZI NEURONY.

25 25 JAK SÍŤ FUNGUJE JEDEN ZE ZÁKLADNÍCH PŘEDPOKLADŮ PRO FUNKCI SÍTĚ JE JEJÍ NAUČENÍ – ADAPTACE NA DANÝ PROBLÉM. FÁZE UČENÍ ADAPTAČNÍ - UČÍCÍ AKTIVAČNÍ – VYBAVOVACÍ BĚHEM TĚCHTO FÁZÍ SE NASTAVUJÍ VÁHY SÍTĚ

26 26 x1x1 x2x2 x3x3 xnxn w1w1 w2w2 w3w3 wnwn y TŘÍDA INFORMACÍ - MNOŽINA, KTERÁ ZAHRNUJE X JEDINCŮ SE SPOLEČNOU VLASTNOSTÍ TŘÍDA1 TŘÍDA2 TŘÍDA3 ALGORITMUS UČENÍ SE DĚLÍ NA 2 FÁZE ADAPTAČNÍ A AKTIVAČNÍ KE SVÉ ČINNOSTI POTŘEBUJÍ TRÉNOVACÍ MNOŽINU (VIZ DALŠÍ SLIDE)

27 27 TRÉNOVACÍ MNOŽINA JE SKUPINA VEKTORŮ (MNOŽINA DAT), OBSAHUJÍCÍCH INFORMACE O DANÉM PROBLÉMU PRO UČENÍ. x1x1 x2x2 x3x3 xnxn w1w1 w2w2 w3w3 wnwn y POKUD SE JEDNÁ O SÍŤ S UČITELEM PAK JSOU TO DVOJICE VEKTORŮ – VSTUP – VÝSTUP. POKUD SE JEDNÁ O SÍŤ BEZ UČITELE PAK TRÉNOVACÍ MNOŽINA OBSAHUJE JEN VSTUPNÍ VEKTORY.

28 28 x1x1 x2x2 x3x3 xnxn w1w1 w2w2 w3w3 wnwn y AKTIVAČNÍ FÁZE PŘEDLOŽENÝ VEKTOR INFORMACÍ NA VSTUPU SÍTĚ SE PŘEPOČÍTÁVÁ PŘES VŠECHNY SPOJE VČETNĚ JEJICH VYNÁSOBENÍ VAHAMI AŽ NA VÝSTUP KDE SE OBJEVÍ ODEZVA VE FORMĚ VÝSTUPNÍHO VEKTORU PŘI UČENÍ SE TENTO VEKTOR POROVNÁ S VEKTOREM ORIGINÁLNÍM A ROZDÍL MEZI OBĚMA VEKTORY- LOKÁLNÍ CHYBA SE ULOŽÍ DO PAMĚŤOVÉ PROMĚNNÉ

29 29 ADAPTAČNÍ FÁZE FÁZE x1x1 x2x2 x3x3 xnxn w1w1 w2w2 w3w3 wnwn y PROCES PŘI KTERÉM JE MINIMALIZOVÁNA LOKÁLNÍ CHYBA SÍTĚ TAK, ŽE SE PŘEPOČÍTÁVAJÍ VÁHY JEDNOTLIVÝCH SPOJŮ SMĚREM Z VÝSTUPU NA VSTUP ZA ÚČELEM CO NEJVĚTŠÍ PODOBNOSTI VÝSTUPNÍ ODEZVY S ORIGINÁLNÍM VEKTOREM POTÉ SE OPĚT OPAKUJE AKTIVAČNÍ FÁZE. DALŠÍ ZÍSKANÝ ROZDÍL (LOKÁLNÍ ODCHYLKA SE PŘIČTE K PŘEDCHOZÍMU ATD. POKUD SE PROJDE TÍMTO ZPŮSOBEM CELÁ TRÉNOVACÍ MNOŽINA JE HOTOVÁ JEDNA EPOCHA. CELÉ SUMĚ ODCHYLEK ZA JEDNU EPOCHU SE ŘÍKÁ GLOBÁLNÍ ODCHYLKA - CYHYBA PROCES SKONČÍ POKUD JE GLOBÁLNÍ ODCHYLKA MENŠÍ NEŽ POŽADOVANÁ CHYBA.

30 30 x1x1 x2x2 x3x3 xnxn w1w1 w2w2 w3w3 wnwn y TŘÍDA INFORMACÍ - MNOŽINA, KTERÁ ZAHRNUJE X JEDINCŮ SE SPOLEČNOU VLASTNOSTÍ TŘÍDA1 TŘÍDA2 TŘÍDA3

31 31 TŘÍDA1 TŘÍDA2 TŘÍDA3 POKUD EXISTUJE MNOŽINA TŘÍD PAK LZE PROVÉST NAUČENÍ SÍTĚ. Z KAŽDÉ TŘÍDY JE VYBRÁNA MNOŽINA REPREZENTATIVNÍCH ZÁSTUPCŮ A TI JSOU POPSÁNÍ VE FORMĚ VEKTORŮ. PRO KAŽDOU MNOŽINU JE VYTVOŘEN VZOROVÝ VEKTOR. UČENÍ PAK ZNAMENÁ TO, ŽE SE UČÍCÍ ALGORITMUS SNAŽÍ NAJÍT TAKOVOU KOMBINACI VAH ABY BYL VSTUPNÍ VEKTOR ZAŘAZEN DO PŘÍSLUŠNÉ TŘÍDY. 3 TŘÍDY A Z KAŽDÉ TŘÍDY 20 REPREZENTATIVNÍCH ČLENŮ. PŘEDSTAVUJE TO CELKEM 60 VSTUPNÍCH VEKTORŮ.

32 32 UČÍCÍ ALGORITMUS PRACUJE S TZV. TŘÍDAMI INFORMACÍ, KDE SE TŘÍDOU ROZUMÍ MNOŽINA, KTERÁ ZAHRNUJE X JEDINCŮ SE SPOLEČNOU VLASTNOSTÍ. AKTIVAČNÍ PROCES– VYBAVOVACÍ PŘEDLOŽENÝ VEKTOR INFORMACÍ NA VSTUPU SÍTĚ SE PŘEPOČÍTÁVÁ PŘES VŠECHNY SPOJE VČETNĚ JEJICH VYNÁSOBENÍ VAHAMI AŽ NA VÝSTUP. PŘI UČENÍ SE TENTO VEKTOR POROVNÁ S VEKTOREM ORIGINÁLNÍM A ROZDÍL MEZI OBĚMA VEKTORY SE ULOŽÍ DO PAMĚŤOVÉ PROMĚNNÉ. ADAPTAČNÍ FÁZE - UČÍCÍ JE PROCES, PŘI KTERÉM JE MINIMALIZOVÁNA LOKÁLNÍ CHYBA SÍTĚ, TAK, ŽE SE PŘEPOČÍTÁVAJÍ VÁHY JEDNOTLIVÝCH SPOJŮ SMĚREM Z VÝSTUPU NA VSTUP ZA ÚČELEM CO NEJVĚTŠÍ PODOBNOSTI VÝSTUPNÍ ODEZVY S ORIGINÁLNÍM VEKTOREM.

33 33 PROCES UČENÍ NENÍ NIC JINÉHO, NEŽ PŘELÉVÁNÍ INFORMACÍ ZE VSTUPU NA VÝSTUP A NAOPAK.

34 34 SCHOPNOST SÍTĚ PŘIŘAZOVAT JEDNOTLIVÉ VSTUPNÍ ČLENY DANÝM TŘÍDÁM JE DÁNA TÍM, ŽE SÍŤ V PODSTATĚ POČÍTÁ VDÁLENOST DANÉHO ČLENU OD ČLENŮ JIŽ PŘIŘAZENÝCH, A NA ZÁKLADĚ TOHO USUZUJE, DO JAKÉ TŘÍDY DANÝ VEKTOR PATŘÍ.

35 35 SEPARABILITA SEPARABILITA NEBO-LI ROZDĚLITELNOST, ZNAMENÁ JAKÁ KŘÍVKA MŮŽE BÝT VYTYČENA JAKO HRANICE MEZI JEDNOTLIVÝMI TŘÍDAMI TAK, ABY CO NEJMÉNĚ JEDINCŮ ( PŘÍSLUŠNÍKŮ TŘÍDY) BYLO TOUTO HRANICÍ PŘIŘAZENO DO NEPATŘIČNÝCH TŘÍD.

36 36 POKUD MÁ BÝT NEURONOVÁ SÍŤ ČI JAKÝKOLIV JINÝ ALGORITMUS (VČETNĚ NAŠEHO MOZKU ) SCHOPEN KONAT ROZHODNUTÍ NA ZÁKLADĚ VSTUPNÍCH ÚDAJŮ, PAK MUSÍ NAJÍT HRANICI MEZI TĚMITO TŘÍDAMI. N A ZÁKLADĚ VSTUPŮ A Z TOHO VYPLÝVAJÍCÍ POZICE VZHLEDEM K HRANICÍM MEZI TŘÍDAMI PAK KONÁ ROZHODNUTÍ. TYTO HRANICE MOHOU BÝT PŘÍMKAMI A OBVYKLE V BĚŽNÉM ŽIVOTĚ JSOU PRAPODIVNÝMI KŘIVKAMI ČI SPÍŠE VICEDIMENZIONÁLNÍMI PLOCHAMI. UČEBNÍ TEXT

37 37 PŘÍKLAD TŘÍD A JEJICH ROZDĚLENÍ TŘÍDA ŠPATNÝCH A DOBRÝCH POMERANČŮ VLASTNOSTI PRO POPIS KVALITY : VSTUPY ZRALOST : 0 – ZKAŽENÝ 1 – ZRALÝ TRVANLIVOST : 0 – MINIMÁLNÍ TRVANLIVOST 1 – DLOUHODOBÁ TRVANLIVOST VÝSTUP – ZDA JE POMERANČ PRODEJNÝ 0 – NEPRODEJNÝ 1 - PRODEJNÝ

38 38 POMERANČ BUDE PRODEJNÝ PŘI VSTUPECH {1,1,}, {1,0,} OSTATNÍ KOMBINACE BUDOU 0 VSTUP 1VSTUP 2VÝSTUP JEDNÁ SE O PROBLÉM LINEÁRNĚ SEPARABILNÍ ??

39 VSTUP 1 VSTUP 2 PROBLÉM JE LINEÁRNĚ SEPARABILNÍ

40 40

41 41

42 42 NEUROFYZIOLOGICKÁ MOTIVACE

43 43 LITERATURA ZELINKA, I. : UMĚLÁ INTELIGENCE – HROZBA NEBO NADĚJE ? ŠÍMA, J. A NERUDA, R. : TEORETICKÉ OTÁZKY NEURONOVÝCH SÍTÍ

44 44 OTÁZKY K OPAKOVÁNÍ 1.CO JSOU TO NEURONY 2.POPIŠTE NEURONOVOU SÍŤ 3.POPIŠTE MODEL NEURONU 4.KLASIFIKUJTE TECHNICKÉ NEURONOVÉ SÍTĚ 5.JAK FUNGUJE NEURONOVÁ SÍŤ


Stáhnout ppt "NEURONOVÉ SÍTĚ. 2 PŘÍBĚH PHINEASE GAGE 3 NEURONY ZÁKLADNÍ STAVEBNÍ KAMENY JAKÉHOKOLIV MOZKU NA TÉTO PLANETĚ TVOŘÍ TZV. NEURONY. JSOU TO BUŇKY, KTERÉ."

Podobné prezentace


Reklamy Google