Neuronové sítě Jiří Iša

Slides:



Advertisements
Podobné prezentace
Lineární klasifikátor
Advertisements

Algoritmy a struktury meuropočítačů ASN – C2
Aplikace teorie grafů Základní pojmy teorie grafů
Hledání začátků exonů v DNA Klára Pešková, Michal Bída.
Neuronové sítě Marcel Jiřina.
Automatická fonetická segmentace pomocí UNS Registr - 36 neuronových sítí MLNN (pro každou českou hlásku jedna UNS) Trénovací množina: databáze promluv.
Topologie neuronových sítí (struktura, geometrie, architektura)
ASN - cvičení 2 : Ukázky práce s NN-Toolboxem
LVQ – Learning Vector Quantization
SSC - cvičení 3 MATLAB - BPG algoritmus 1.Vytvořit tréninková data 2.Vytvořit objekt sítě 3.Natrénovat síť 4.Simulace Funkce pro učení: learngd … základní.
Algoritmy a struktury neuropočítačů ASN - P1 Prof.Ing. Jana Tučková,CSc. Katedra teorie.
Úvod do umělé inteligence
V této dopravní soutěži prověříme vaše znalosti, které jste zatím získali a které dodržujete když se pohybujete venku a to nejenom na kole. Vašim úkolem.
Induktivní logické programování
DOK „Umělá inteligence“ v DOK (i jinde). NEURONOVÉ SÍTĚ.
Využití umělých neuronových sítí k urychlení evolučních algoritmů
Lineární programování Simplexový algoritmus
LOGISTICKÉ SYSTÉMY 7/14.
Neuronové sítě Jakub Krátký.
Vícevrstvé neuronové sítě.  Neuronové sítě jsou složeny z neuronů tak, že výstup jednoho neuronu je vstupem jednoho nebo více neuronů  Propojení neuronů.
Neuronové sítě Martin Vavřička Copyright 2004 © Martin Vavřička 2004 – V 53 ČVUT v Praze – fakulta Stavební.
Petr Beremlijski a Marta Jarošová Projekt SPOMECH Vysoká škola báňská – Technická univerzita Ostrava září Základy matematického.
Základní vlastnosti A/D převodníků
Opakování k písemné práci. Zadání (2b)Vysvětlete jak by šlo použít LSQ učení pro rozpoznání vzoru A od vzorů B a C. Jak by vypadaly bipolární vstupy a.
NEURONOVÉ SÍTĚ (c) Tralvex Yeap. All Rights Reserved.
METODY NEKONVENČNÍHO MODELOVÁNÍ S PŘÍSTUPY UMĚLÉ INTELIGENCE
Optimalizace versus simulace 9.přednáška. Obecně o optimalizaci  Maximalizovat nebo minimalizovat omezujících podmínkách.  Maximalizovat nebo minimalizovat.
Hopfieldova asociativní paměť. Topologie sítě 1 vrstva zároveň vstupní i výstupní mezi neurony existují všechny spoje (kromě smyček)
Nelineární klasifikátory
Artificial Intelligence (AI).  „Úloha patří do oblasti umělé inteligence, jestliže řešení, které najde člověk považujeme za projev jeho inteligence.
Jiří Fejfar Perceptron Jiří Fejfar
Název školyIntegrovaná střední škola technická, Vysoké Mýto, Mládežnická 380 Číslo a název projektuCZ.1.07/1.5.00/ Inovace vzdělávacích metod EU.
Umělá inteligence Minského definice: UI je věda o vytváření strojů nebo systémů, které budou při řešení určitého úkolu užívat takového postupu, který –
Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba.
Orbis pictus 21. století Tato prezentace byla vytvořena v rámci projektu.
Kinematika 14. SKLÁDÁNÍ RYCHLOSTÍ I. Mgr. Jana Oslancová
Rozpoznávání v řetězcích
Logika a umělá inteligence pro multi-agentní systémy Mobilní agent řízený neuronovou sítí.
Gradientní metody Metoda největšího spádu (volný extrém)
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík, CSc.
Opakování k písemné práci. Zadání (2b)Vysvětlete jak by šlo použít LSQ učení pro rozpoznání vzoru A od vzorů B a C. Jak by vypadaly bipolární vstupy a.
ŘÍZENÍ DOPRAVY POMOCÍ SW AGENTŮ Richard Lipka, DSS
MLP – backpropagation Jiří Fejfar
Neuronové sítě (Úvod a MLP sítě)
Sledování vozidel v reálném čase a využití pro informování cestujících
Nesinusové oscilátory s klopnými obvody
W i ref (t+1) = W i ref (t) + h ci (t) [X(t) - W i ref (t)], i Nc h ci (t) 0, t  proces konverguje Algoritmy a struktury neuropočítačů ASN – P3 SOM algoritmus.
Konekcionismus PSY 481. Motivace Zájem o vývoj umělých neuronových sítí pramení z poznání, že lidský mozek pracuje jiným způsobem než běžné číslicové.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík, CSc.
Algoritmy a struktury neuropočítačů ASN - P14 Hopfieldovy sítě Asociativní paměti rekonstrukce původních nezkreslených vzorů předkládají se neúplné nebo.
Dita Matesová, David Lehký, Zbyněk Keršner
Martin Langhammer Antonín Wimberský. ÚVOD PŘEDPOKLADY Jednotný vstup Zadní SPZ Stejný úhel a vzdálenost záběru Pouze vodorovné záběry značek Obdélníkové.
Praktická využití UNS V medicínských aplikacích Jan Vrba 2006.
Neuronové sítě. Vývoj NS 1943 – W. McCulloch, W. Pittse – první jednoduchý matematický model neuronu 1951 – M. Minsky - první neuropočítač Snark 1957.
Vzorová úloha 5 Ultrazvukový senzor, tlačítko a motor řízený mikropočítačem Projekt CZ.1.07/1.1.16/ Bc. Štěpán Janás 2013.
Neuronové sítě.
Využití technik dataminingu při rozpoznávání znaků Marek Kukačka Květen 2006.
Umělé neuronové sítě „Za umělou neuronovou síť se obecně považuje taková struktura pro distribuované paralelní zpracování dat, která se skládá z jistého,
Metody strojového učení
Název prezentace (DUMu): Nervová soustava
VY_32_INOVACE_pszczolka_ Registry - test
Neuronové sítě.
Číslo projektu CZ.1.07/1.4.00/ Název sady materiálů
Toky v sítích.
Neuronové sítě.
ANALÝZA A KLASIFIKACE DAT
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
Geografické informační systémy
Algoritmizace a datové struktury (14ASD)
SIPVZ – úvodní modul P ICT a změny ve výuce (2 h) metodické poznámky.
Transkript prezentace:

Neuronové sítě Jiří Iša

O čem bude řeč? - O historii neuronových sítí. - O různých typech neuronových sítí a způsobu jejich použití. Co se nestane? - Nestane te se odborníky na neuronové sítě. Co se dozvíte? - Budete umět naprogramovat jednoduchou neuronovou síť. Dnešní presentace

Jak vypadá neuron Axon (dlouhý výběžek) - délka až 2m Dendrity (krátké výběžky) - mohou jich být až desítky tisíc Tělo (soma) Neuron přijímá dendrity elektrochemické signály od okolních neuronů a reaguje na ně na svém axonu.

1943 – McCulloch, Pitts bipolární vstup jednoduchá prahová funkce žádný algoritmus učení zvládá jednoduché logické funkce Př: AND První matematický model 1  wixiwixi w3w3 w2w2 w1w1 x1x1 x2x2 x3x3 y w0w0 sgn(t) t = 1 1

První učící algoritmus 1949 – Donald Hebb Motivováno neurofyziologickým zákonem: Změna neurosynaptické váhy je úměrná souhlasné aktivitě neuronů. Matematicky: w i =  *  t (x i t * d t ) kde: x je vstup, d je požadovaný výstup

Neurořidič - Hebb JL JR JP PL PR PP RR RP ? | | | | | | | |

Perceptron Frank Rossenblatt reálný obor vstupních hodnot lineární přenosová funkce F. Rossenblatt dokázal, že jím navržené pravidlo nalezne (existuje-li) po konečném počtu kroků, správné nastavení vektoru vah a úspěšně demonstroval jeho použití na rozpoznávání znaků

Delta pravidlo Úkol - minimalizace chyby E: E t = 1/2 *  i (y i t - d i t ) 2 Postup - gradientní metoda:  E t /  w i t = x i t * (y i t - d i t ) w i t+1 = w i t -  *  E t /  w i t = w i t -  * x i t * (y t – d t ) ... rychlost učení  (0, 1) d... požadovaný výstup y... skutečný (získaný) výstup

Neurořidič - Delta Vstupy {-1, 1}Příslušné váhy Předsevzetí{1} -30,86 Jedu doleva? 1,71 Jedu rovně? 8,57 Jedu doprava? 31,71 Je vpravo vozidlo zatáčející vlevo? - 4,29 Je vpravo vozidlo jedoucí rovně? - 3,42 Je vpravo vozidlo zatáčející vpravo? - 19,71 Je proti mě vozidlo jedoucí rovně? - 20,57 Je proti mě vozidlo zatáčející vpravo? - 21,43

Pánové Minsky a Pappert potřebovali grant. Linearita perceptronu - AND: Potíž – XOR: Učící algoritmus pro vícevrstvou síť v té době neznámý Důsledek: Téměř deset let žádné granty pro neurovědce Historická katastrofa [1,1] [0,1] [0,0][1,0] {1} {0}

Vstupem neuronu jsou výstupy neuronů v předchozí vrstvě (kromě vstupních neuronů) Žádné zpětné hrany z k =  v jk * y j ) y j =  (  w ij * x i ) Vícevrstvá síť VSTUPYVSTUPY VÝSTUPYVÝSTUPY Mezivrstva x yz

Backpropagation Česky: Algoritmus zpětného šíření chyby Princip - opět gradientní metoda jenom ta celková funkce je složitější Proč se říká „Backpropagation nefunguje“ ? Protože může dojít k nalezení lokálního minima

Samoorganizační mapa Kohonen učení bez učitele Trpaslíci v parku Sedí trpaslíci v parku na lavičce a jsou smutní. Proč? Inu, protože si s nimi žádní lidé, a co jich jen chodí okolo, nechtějí povídat. Jak to jen udělat? „Budeme se snažit vypadat jako oni,“ rozhodnou se trpaslíci.

Trpaslíci & stavový prostor ženymuži tmavooděncitmavooděnci světlooděncisvětlooděnci

● Paralelní hledání optimálního nastavení Genetické algoritmy mutace překřížení

Literatura ● Teoretické otázky neuronových sítí - Jiří Šíma, Roman Neruda; MatfyzPress 1996 ● Umělá inteligence I - Vladimír Mařík, Olga Štěpánková, Jiří Lažanský ● ●