Učící se algoritmy aplikované na předvídání vzniku plazmatu v tokamaku Helena Valouchová, Vojtěch Stránský
Může počítač „věštit“ výsledky pokusů? Učící se algoritmy Aplikace na pokusy v tokamaku GOLEM
Učící se algoritmy Algoritmy, které umožňují systému se učit Výhody: široké využití předpovídání neodhadnutelných jevů Nevýhody: ovlivnitelnost člověkem
Support Vector Machines Metoda učení Přesné výsledky Nutné znát princip
Support Vector Machines 2 Penalizační konstanta C - hodnotí překryv bodů Hodnota γ – mění složitost modelu
Získávání dat Data umístěna na webu Stahována vlastním programem Z téměř 4000 výstřelů použitelných 800
Zpracování dat Pomocí programu libSVM Vypracování databáze výstřelů 6 parametrů z 19
Výsledky ostatních skupin Ze 44 výstřelů bylo 100% správně odhadnuto Jistota 93,18% Lepší předpověď vzniku plazmatu, než následné posouzení grafů u tokamaku
Pokročilé experimentování Ostatní se snažili dosáhnout co nejlepších výsledků Nastavení parametrů okolo 50% Nové extrémní hodnoty
Naše výsledky Z 12 výstřelů bylo 100% správně odhadnuto Jistota 91,7%
Závěr Předpovídání – velmi úspěšné Skvělé výsledky i v nevyzkoušených oblastech Větší databáze – větší jistota
Poděkování Supervizor – Michal Odstrčil Povolení ničivých pokusů – Vojtěch Svoboda organizátorům TV@J, FJFI na ČVUT Všem sponzorům
Zdroje [1] Ben-Hur, A. - Weston, J.: A User's Guide to Support Vector Machines 2011, [2] Chich-Wei Hsu - Chih-Chung Chang - Chih-Jen Lin: A Practical Guide to Support Vector Classification 2010 http://golem.fjfi.cvut.cz/