Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
1
Učící se algoritmy aplikované na předvídání vzniku plazmatu v tokamaku
Helena Valouchová, Vojtěch Stránský
2
Může počítač „věštit“ výsledky pokusů?
Učící se algoritmy Aplikace na pokusy v tokamaku GOLEM
3
Učící se algoritmy Algoritmy, které umožňují systému se učit
Výhody: široké využití předpovídání neodhadnutelných jevů Nevýhody: ovlivnitelnost člověkem
4
Support Vector Machines
Metoda učení Přesné výsledky Nutné znát princip
5
Support Vector Machines 2
Penalizační konstanta C - hodnotí překryv bodů Hodnota γ – mění složitost modelu
6
Získávání dat Data umístěna na webu Stahována vlastním programem
Z téměř 4000 výstřelů použitelných 800
7
Zpracování dat Pomocí programu libSVM Vypracování databáze výstřelů
6 parametrů z 19
9
Výsledky ostatních skupin
Ze 44 výstřelů bylo 100% správně odhadnuto Jistota 93,18% Lepší předpověď vzniku plazmatu, než následné posouzení grafů u tokamaku
10
Pokročilé experimentování
Ostatní se snažili dosáhnout co nejlepších výsledků Nastavení parametrů okolo 50% Nové extrémní hodnoty
11
Naše výsledky Z 12 výstřelů bylo 100% správně odhadnuto Jistota 91,7%
12
Závěr Předpovídání – velmi úspěšné
Skvělé výsledky i v nevyzkoušených oblastech Větší databáze – větší jistota
13
Poděkování Supervizor – Michal Odstrčil
Povolení ničivých pokusů – Vojtěch Svoboda organizátorům FJFI na ČVUT Všem sponzorům
14
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
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.