Biometria WYKŁAD 7: ROZPOZNAWANIE I KLASYFIKACJA OBIEKTÓW
|
|
- Nina Jarosz
- 5 lat temu
- Przeglądów:
Transkrypt
1 Biometria WYKŁAD 7: ROZPOZNAWANIE I KLASYFIKACJA OBIEKTÓW
2 Cechy i przestrzenie cech Każda z właściwości wybrana do opisu obiektu/procesu/zjawiska (cecha) powinna dostarczyć jak najwięcej informacji do poprawnej i jednoznacznej identyfikacji (klasyfikacji) obiektu. Wybór odpowiedniej cechy (jako ilościowej reprezentacji obiektu) jest kluczowy dla zagwarantowania poprawności rozpoznania. Jedna cecha to za mało! Próbka to wektor cech; jego elementy wyznaczają kolejne kierunki wielowymiarowej przestrzeni, tzw. przestrzeni cech (feature space)
3 Cechy i przestrzenie cech
4 Cechy i przestrzenie cech Separowalność klas polega na takim doborze przestrzeni cech by próbki należące to jednej kategorii były maksymalnie skupione blisko siebie zaś te należące do różnych kategorii maksymalnie odległe i obszarowo łatwe do rozdzielenia Separowalność liniowa
5 Dlaczego nie warto zwiększać liczby cech? 1 cecha = k przykładów do konstruowania modelu => k cech=k*k przykładów KLĄTWA (PRZEKLEŃSTWO) WYMIAROWOŚCI (Curse of Dimensionality) W miarę wzrostu liczby wymiarów (zmiennych) liczba obiektów (obserwacji) potrzebnych do wiarygodnego oszacowania parametrów lub funkcji rośnie wykładniczo
6 Tworzenie przestrzeni cech Poszukiwane są metody konstruowania przestrzeni cech o jak najmniejszej liczbie cech dającą jak najlepszą Separowalność klas: Selekcja cech (feature selection) identyfikacja tych elementów zbioru charakterystyk które uważane są za najlepsze deskryptory danej kategorii (poznanie charakterystyk istotnych dla procesu rozpoznawania, za cenę znacznego i trudnego w ocenie uszczuplenia informacji i dublowanie pozostawianej wiedzy) Ekstrakcja cech (feature extraction)- przekształcanie zbioru początkowych charakterystyk i tworzenie nowej grupy deskryptorów (powszechniejsza metoda)
7 Selekcja cech Poszukiwanie takiego zestawu cech który najlepiej realizuje dane zadanie (testowanie podzbiorów zbioru cech (najlepiej wszystkich), ocena wynikowej przydatności) Jak tworzyć kolejne podzbiory? Jakie kryterium przydatności? Poszukiwanie takiego zestawu cech który najlepiej realizuje dane zadanie (testowanie podzbiorów zbioru cech, ocena wynikowej przydatności) Jak tworzyć kolejne podzbiory? Jakie kryterium przydatności?
8 Selekcja cech Metody SFS (Sequential Forward Selection) powiększanie zbioru cech o 1 elemenet i sprawdzanie przydatności nowego zbioru, powtarzana do momentu wykorzystanie wszystkich cech z puli początkowej. Złożoność liniowa dla zwiększania zbioru cech docelowych Metoda SBS (Sequential Backwad Selection)
9 Tworzenie modelu danego problemu rozpoznawania - powiązanie regionu przestrzeni z rozważanymi kategoriami rozpoznania: Niemożliwe a priori wybrane cechy mogą nie mieć interpretacji Trudne wskazać konkretne wartości liczbowe warunkujące przynależność do danej klasy UCZENIE (TRENOWANIE) (ustalanie parametrów algorytmu klasyfikacji)
10 Klasyfikacja danych Klasyfikacja danych to odpowiedź na pytanie do jakiej klasy należy zaliczyć wektor (sekwencje wektorów) opisujących obiekt/stan/proces. Kryterium 1 Przesłanki do rozstrzygania o przynależności próbki do klasy Klasyfikacja przez określenia podobieństwa próbki do reprezentanta klasy (wzorca/prototypu) Klasyfikacja przez określenie właściwości definiujących kategorię i sprawdzenie czy badana próbka ma takie właściwości Kryterium 2 Sposób traktowania analizowanych danych Klasyfikacja deterministyczna Klasyfikacja probabilistyczna
11 Klasyfikacja danych interpretacja geometryczna Założenia: Próbki punkty w wielowymiarowej przestrzeni cech Potrafimy w przestrzeni cech określić obszary odpowiadające obiektom wszystkich rozpoznawanych kategorii Klasyfikacja nowej próbki to odpowiedź na pytanie jaka etykieta jest przypisana obszarowi w przestrzeni w którym znajduje się ta próbka
12 Przykłady do konstruowania klasyfikatora Zbiór treningowy dane wejściowe stosowane w procesie iteracyjnego korygowania parametrów algorytmu klasyfikacji Zbiór testowy sprawdzenie jak wytrenowany klasyfikator radzi sobie z rozpoznawaniem nowych, nieznanych próbek
13 Co to znaczy nauczyć klasyfikator? Wyznaczenie takich parametrów algorytmu klasyfikacji które odzwierciedlają ogólną zasadę rozkładu próbek rozważanych klas w przestrzeni (generalizacja wiedzy zawartej w zbiorze uczącym) Liczebność przykładów zbioru treningowego musi być wielokrotnie wyższa od liczby wyznaczanych parametrów algorytmu (im więcej parametrów ma klasyfikator tym bardziej nieregularne granice między klasami): Co dla danej klasy jest typowe i charakterystyczne Odporność procedury na przypadkową obecność elementów niepożądanych w zbiorze uczącym Uwzględnienie istnienia niszowych form danej klasy
14 Co to znaczy nauczyć klasyfikator? Wymagana złożoność klasyfikator jest niewiadomą skorelowaną z danym problemem ALE preferowane są struktury o jak najmniejszej złożoności Zwiększaine liczby parametrów klasyfikatora o 1 i ponawianie treningu
15 KLASYFIKACJA MINIMALNOODLEGŁOŚCIOWA
16 Klasyfikacja minimalnoodległościowa Deterministyczna Podobieństwo badanej próbki do wzorca (wzorców) klas poprzez pomiar ich wzajemnej odległości w przestrzeni cech Próbka zostaje przypisana do tej kategorii d której jest jej najbliżej (w przyjętym sposobie oceny odległości, który może być różny). odległość = dystans próbki od najbliżej położonego elementu klasy => klasyfikacja metodą najbliższego sąsiada (nearest neighbour)
17 Klasyfikacja metodą najbliższego sąsiada (NN) Pomiar odległości między próbką p a wszystkimi klasami C i (rozważanymi w rozpoznawaniu) i wyborze najbliższej klasy (o etykiecie k) jako wyniku tej klasyfikacji: k = arg( min i {d p, C i ) ) d p, C i = min j d(p, C i j ) d p, C i - odległość elementu p od klasy Ci d(p, C i j )- odległość elementu p od i-go elementu klasy Ci
18 Klasyfikacja metodą najbliższego sąsiada (NN) Koncepcyjnie prosta, brak fazy uczenia klasyfikatora (algorytm wykorzystuje wszystkie posiadane elementy zbioru przykładów) Wady: Duża złożoność obliczeniowa (obliczana jest odległość od wszystkich elementów rozważanych kategorii, klasyfikator musi pamiętać cały zbiór przykładów) -> klasyfikacja metodą najbliższej średniej (Nearest Mean) Na wynik klasyfikacji ogromny wpływ ma obecność w zbiorze przykładów próbek nie będących typowymi reprezentantami klas (zakłócenia rejestracji danych przykładowych) -> klasyfikacja metodą k-najbliższych sąsiadów (k-nearest Neighbours): Nieostre zdjęcie w zbiorze zdjęć dobrej jakości Próbka krwi oznaczona na starym odczynniku Próbka głosy z dużym udziałem tła
19 Klasyfikacja metodą najbliższej średniej Zastąpienie wszystkich próbek danej klasy ich średnimi prototypami Mi Nieprzewidywalny, wielomodalny charakter rozkładu próbek (środek skupienia próbek treningowych w obszarze przestrzeni cech zupełnie innej klasy)
20 Klasyfikacja metodą k-najbliższych sąsiadów Polega na znalezieniu w zbiorze wszystkich przykładów pamiętanych przez klasyfikator, podzbioru k badanej próbki a następnie określenie jaka kategoria dominuje wśród elementów takiego podzbioru. Podstawowym elementem fazy uczenia klasyfikatora jest wybór odpowiedniego k: Zbyt mała wrażliwość na zbyt małą reprezentację zbioru treningowego Zbyt duża nieodzwierciedlenie skomplikowanej struktury obszarów reprezentujących próbki danej klasy w przestrzeni cech
21 Klasyfikacja metodą k-najbliższych sąsiadów 1. Policzenie odległości od wszystkich przykładów 2. Posortowanie wyników 3. Utworzenie i analiza k-elementowego zbioru etykiet próbek o najmniejszych odległościach Dla licznych zbiorów przykładów duża złożoność obliczeniowa (szereg metod przyspieszających np. branie pod uwagę tylko tych próbek o których wiadomo że znajdują się w bliskim sąsiedztwie)
22 Klasyfikacja metodą k-najbliższych sąsiadów Strategie podziału przestrzeni cech dla przyspieszenia algorytmu (redukcji przestrzeni poszukiwania najbliższych sąsiadów) próbki: Bucketing kwantyzacja przestrzeni cech przez podział na identyczne przylegające do siebie sześciany (indeksy przypisywane przykładom zapamiętywanym przez klasyfikator). Po identyfikacji w którym sześcianie jest próbka, tylko przykłady z tego sześcianu (i jego otoczenia) poddawane są dalszej analizie. Drzewa k-wymiarowe. Hiperpłaszczyzny dzielą przestrzeń w taki sposób by każda nowa podprzestrzeń zawierała zbliżoną liczbę próbek (lepsze odwzorowanie nierównomiernego rozkładu próbek, większa efektywność klasyfikacji)
23 Klasyfikacja metodą k-najbliższych sąsiadów Prosta, chętnie stosowana do modelowania klas nawet o bardzo złożonej strukturze Jak wszystkie metody oparte na odległości równocennie traktuje odległości we wszystkich kierunkach (bez względu na to jak dobrze opisują różnice między klasami) Niejednoznaczne powiązanie cecha-klasa wprowadza zaburzenie rozpoznania Duża alokacja pamięci Rozwiązania Klasyfikację knn należy zawsze poprzedzać redukcją wymiarowości problemu Algorytm k-średnich (gdy dana klasa nie jest skupiona w 1-ym obszarze przestrzeni cech)
24 Miary odległościowe Aby możliwe było określenie odległości przestrzeń musi być metryczna. Konieczna jest też wiedza o typowym rozkładzie wielkości próbek w obrębie klasy (wartość średnia, wariancje)
25 Metryka Minkowskiego L k (p 1, p 2) = D i=1 p 1 i p 2 i k 1/k L 1 - suma modułów różnic między współrzędnymi punktów (odległość Manhattan, blokowa, Hamminga) L 1 odległość Euklidesowa(konieczna normalizacja zakresów wszystkich elementów wektora cech: zerowanie wartości średniej, ważenie względem wariancji)
26 Metryka Machalanobiosa Dla przykładu 1-wymiarowego: R M = x μ σ Dla przykładu wielowymiarowego: R M = (x μ) T 1 (x μ) 1/2 1 macierze kowariancji próbek (odpowiednik odchylenia standardowego)
27 KLASYFIKACJA PRZEZ PODZIAŁ PRZESTRZENI CECH
28 Klasyfikacja przez podział przestrzeni cech Określenie powierzchni separującej przestrzeń cech na regiony przypisane klasom (przynależność do regionu=przynależność do klasy). Wykorzystanie zbiorów funkcji parametrycznych określających położenie powierzchni separujących (parametry określane przez uczenie). Liniowe funkcje dyskryminacyjne (hiperłaszczyzny): Sztuczne sieci neuronowe (Artificial Neural Networks, ANN) Maszyny wektorowe (Support Vector Machines, SVM)
29 Wyznaczanie hiperpłaszczyzny Równanie hiperpłaszczyzny w d-wymiarowej przestrzeni: v t p + c = 0 v=[v,v d-1 ] T - wektor normalny powierzchni p=[x 0,x d-1 ] dowolny punkt powierzchni x T w = 0 w = v c x= p 1 Wyrażenie f(w)=x T w powinno mieć różne znaki dla próbek różnych klas
30 Wyznaczanie hiperpłaszczyzny Separacja jest tym lepsza im niższa jest wartość wyrażenia (n-liczba przykładów): e = n 1 i=0 (x it w b i ) 2
31 Wyznaczanie hiperpłaszczyzny Nie istnieją przesłanki pozwalające na dobry wybór wartości elementów wektora b (przyjmowane są arbitralnie, zwykle b i =1) Skutek: Poszukiwana hiperpłaszczyzna jest jednakowo odległa od wszystkich próbek (uzyskiwane rozwiązania są nie zawsze poprawne nawet dla klas liniowo separowalnych). Outliners: metoda Ho-Kashyapa treningu klasyfikatora (przykłady zbioru treningowego stosowane do wyznaczenia elementów wektora w i b) pozwala znaleźć najlepsze rozwiązanie jeśli ono istnieje (klasy są liniowo-separowalne), w innych przypadkach przynajmniej rozsądne
32 Sztuczne sieci neuronowe, SNN Aksjomaty komputerowego przetwarzania danych do których SSN się nie stosują: Algorytmiczność Sekwencyjność Specjalizacja elementów systemu Struktury połączonych ze sobą identycznych, prostych elementów procesorowych (neuronów) równolegle przetwarzające informacje na ich wejściach
33 SNN Informacja wypracowana przez neuron ( aktywność ) jest liczbą z określonego przedziału wartości, najczęściej [0 1] Wejściom przypisane są współczynniki wagowe w modelujące połączenia synaptyczne rzeczywistych neuronów. Sprzężenia synaptyczne: Pobudzające ( + większa wartość sygnału na wejściu oznacza większą aktywność) Hamujące ( -, większa wartość sygnału na wejściu oznacza spadek aktywności)
34 SNN Poziom aktywności neuronu: wyznaczenie nieliniowego przekształcenia f(.) ważonej sumy sygnałów wejściowych neuronu (xtw) korygowanej a pomocą polaryzacji. Funkcja aktywacji f(.) Odpowiedź z przedziału [0 1] Skok jednostkowy Funkcja sigmoidalna Odpowiedź z przedziału [0 1] Funkcja signum Tangens hiperboliczny
35 SNN Sygnał na wyjściu jest wynikiem nieliniowej transformacji iloczynu skalarnego wektora wag i wektora wejściowego: d 1 y = f x i w i + θ = f(x T w + θ) i=0 Dla funkcji będącej binarną oceną znaku, neuron działa jak linowa funkcja dyskryminacyjna (neuron jako liniowy klasyfikator, hiperpłaszczyznę wyznacza jego wektor współczynników wagowych)
36 SNN Korekta wag odbywa się przez analizę kolejnych przykładów przez neuron. Poprawne działanie neuronu (korekta błędu niezerowego przez korektę wag): e i w = y i d i 2 = f(s i ) d i 2 = f(x it w) d i 2 xi- klasyfikowana próbka zbioru przykładowego y i wynik uzyskany, d i wynik oczekiwany
37 SSN: reguła delta (Widrowa-Hoffa) Dla funkcji skoku w perceptronie: w = ƞ(d i y i )x i Korekta wektora wag (zwiększanie poprawności klasyfikacji próbki bieżącej jest proporcjonalna do błędu jej klasyfikacji -1,0, 1) i wartości tej próbki (wszystkie dane są lokalnie dotępne)
38 SSN: klasyfikatory wielowarstwowe Dekompozycja problemu liniowo nieseparowalnego na serię cząstkowych problemów liniowo separowalnych (rozwiązywalnych za pomocą pojedynczych neuronów). Skokowa funkcja aktywacji- odpowiedzi neuronów binarne Sieć warstwowa: sygnały wyjściowe 1-ej warstwy wyznaczają przestrzeń cech dla operacji realizowanych przez dodatkowy neuron (neuron wyjściowy) -> dla k neuronów 1-ej warstwy przestrzeń ta jest k- wymiarowa.
39 SSN: klasyfikatory wielowarstwowe Próbki prezentowane neuronowi wyjściowemu są wektorami wartości binarnych (w przestrzeni cech są one lokowane w wierzchołkach jednostkowego hipersześcianu o krawędziach pokrywających się z osiami układów współrzędnych) Zadanie oddzielenia wierzchołka od pozostałych jest liniowo separowalne (wykonywane przez neuron jako operacja logiczna). Neuron wyjściowy jest w stanie wykrywać czy próba podawana na wejście sieci jest elementem obszaru będącego koniunkcją podprzestrzeni na które dziedzinę problemu klasyfikacji dzielą neurony warstwy wejściowej (rozwiązywanie problemów liniowo nieseparowalnych)
40 SSN: klasyfikatory wielowarstwowe Dwuwarstwowe sieci neuronowe rozwiązują problemy klasyfikacji z wypukłymi regionami decyzyzjnymi Trójwarstwowe sieci neuronowe są zdolne do rozwiązywania dowolnego problemu klasyfikacji (składanie obszarów wypukłych)
41 SSN: klasyfikatory wielowarstwowe Szczegółowa architektura sieci wielowarstwowej Wyznaczanie parametrów sieci (wektorów wag neuronów) tak by zapewnić rozwiązanie Liczba neuronów 1-ej warstwy = liczba ścian otaczających regiony decyzyjne Liczba neuronów 2-ej warstwy = liczba wypukłych komponentów ostatecznych regionów decyzyjnych budowanych przez neurony 3-ej warstwy. Metody przyrostowego zwiększania stopnia złożoności (aż do uzyskania skutecznej klasyfikacji)
42 SSN: uczenie sieci wielowarstwowej Trening pojedynczego neuronu (opracowanie koncepcji zajęło 20 lat) -> trening wszystkich warstw sieci. Minimalizacja funkcji kryterialnej (N- liczba neuronów warstwy wyjściowej) przez dobór parametrów sieci: E = N 1 i=0 Y i d i 2
43 SSN: algorytm wstecznej propagacji błędu 1. Sieci prezentowana jest przykładowa próbka 2. Dla bieżących wartości wag neuronów sieci obliczana jest odpowiedź porównywana z oczekiwanym wynikiem przetwarzania. Niewłaściwy inicjuje procedurę korekty współczynników rozpoczynana od neuronów warstwy wyjściowej (jedyne elementy dla których możliwe jest bezpośrednie oszacowanie popełnianego przez nie błędu i wyliczenie korekty wag) 3. Korekta wag warstwy przedostatniej odbywa się przez rzutowanie błędu warstwy wyższej ( wirtualny błąd) 4. Rozszerzenie procedury kroku 3-go na wcześniejsze warstwy sieci wielowarstwowej
44 SSN: wady i zalety Potencjalnie nieograniczona złożoność rozwiązywanych problemów Bardzo duża szybkość podejmowanych decyzji (mnożenia i dodawania w liczbie określonej liczbą neuronów i sprzężonych z nimi wag) Wyspecjalizowane układy scalone będące fizyczną reprezentacją architektury sieci neuronowej (jakościowe przyspieszenie analizy) Trudność efektywnego uczenia układu
45 Maszyny wektorowe SVM Separacja klas (także liniowo nieseparowalnych za pomocą optymalnej hiperpłaszczyzny) Linearyzacja problemu rozpoznawania (powiększenie wymiarowości przestrzeni cech) Jeśli 2 klasy są linowo separowalne to istnieje nieskończenie wiele prostych realizujących taką separację.ale jakość podziałów nie jest jednakowa
46 Maszyny wektorowe SVM
47 SVM: optymalna separacja Optymalny= zapewniający maksymalny margines separacji (najszerszy pas w obrębie którego nie znajdują się żadne próbki) O szerokości pasa decydują tzw. próbki mocujące (podtrzymujące, support vectors) Szerszy margines lepsze własności generalizacji, mniejsza podatność na ew. przeuczenie (overfitting) Wąski margines mała zmiana granicy, radykalne zmiany klasyfikacji
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoSieć przesyłająca żetony CP (counter propagation)
Sieci neuropodobne IX, specyficzne architektury 1 Sieć przesyłająca żetony CP (counter propagation) warstwa Kohonena: wektory wejściowe są unormowane jednostki mają unormowane wektory wag jednostki są
Bardziej szczegółowoData Mining Wykład 6. Naiwny klasyfikator Bayes a Maszyna wektorów nośnych (SVM) Naiwny klasyfikator Bayesa.
GLM (Generalized Linear Models) Data Mining Wykład 6 Naiwny klasyfikator Bayes a Maszyna wektorów nośnych (SVM) Naiwny klasyfikator Bayesa Naiwny klasyfikator Bayesa jest klasyfikatorem statystycznym -
Bardziej szczegółowoWidzenie komputerowe
Widzenie komputerowe Uczenie maszynowe na przykładzie sieci neuronowych (3) źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Zdolność uogólniania sieci neuronowej R oznaczenie
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowowiedzy Sieci neuronowe
Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-10 Projekt pn. Wzmocnienie
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych klasyfikacja LABORKA Piotr Ciskowski zadanie 1. klasyfikacja zwierząt sieć jednowarstwowa żródło: Tadeusiewicz. Odkrywanie własności sieci neuronowych, str. 159 Przykład
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoKlasyfikacja LDA + walidacja
Klasyfikacja LDA + walidacja Dr hab. Izabela Rejer Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Plan wykładu 1. Klasyfikator 2. LDA 3. Klasyfikacja wieloklasowa 4. Walidacja
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowosynaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.
Sieci neuronowe model konekcjonistyczny Plan wykładu Mózg ludzki a komputer Modele konekcjonistycze Perceptron Sieć neuronowa Uczenie sieci Sieci Hopfielda Mózg ludzki a komputer Twój mózg to 00 000 000
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 κ-nn i Naive Bayes autorzy: M. Zięba, J.M. Tomczak, A. Gonczarek, S. Zaręba Cel zadania Celem zadania jest implementacja klasyfikatorów
Bardziej szczegółowoI EKSPLORACJA DANYCH
I EKSPLORACJA DANYCH Zadania eksploracji danych: przewidywanie Przewidywanie jest podobne do klasyfikacji i szacowania, z wyjątkiem faktu, że w przewidywaniu wynik dotyczy przyszłości. Typowe zadania przewidywania
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 2 κ-nn i Naive Bayes autorzy: M. Zięba, J.M. Tomczak, A. Gonczarek, S. Zaręba, J. Kaczmar Cel zadania Celem zadania jest implementacja klasyfikatorów
Bardziej szczegółowoOntogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę
Norbert Jankowski Ontogeniczne sieci neuronowe O sieciach zmieniających swoją strukturę Warszawa 2003 Opracowanie książki było wspierane stypendium Uniwersytetu Mikołaja Kopernika Spis treści Wprowadzenie
Bardziej szczegółowo6. Perceptron Rosenblatta
6. Perceptron Rosenblatta 6-1 Krótka historia perceptronu Rosenblatta 6-2 Binarne klasyfikatory liniowe 6-3 Struktura perceptronu Rosenblatta 6-4 Perceptron Rosenblatta a klasyfikacja 6-5 Perceptron jednowarstwowy:
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.
ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 4. UCZENIE SIĘ INDUKCYJNE Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WSTĘP Wiedza pozyskana przez ucznia ma charakter odwzorowania
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoSztuczne sieci neuronowe
www.math.uni.lodz.pl/ radmat Cel wykładu Celem wykładu jest prezentacja różnych rodzajów sztucznych sieci neuronowych. Biologiczny model neuronu Mózg człowieka składa się z około 10 11 komórek nerwowych,
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoSIECI RBF (RADIAL BASIS FUNCTIONS)
SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335 Wykład 10 Mapa cech Kohonena i jej modyfikacje - uczenie sieci samoorganizujących się - kwantowanie wektorowe
Bardziej szczegółowoWYKŁAD 12. Analiza obrazu Wyznaczanie parametrów ruchu obiektów
WYKŁAD 1 Analiza obrazu Wyznaczanie parametrów ruchu obiektów Cel analizy obrazu: przedstawienie każdego z poszczególnych obiektów danego obrazu w postaci wektora cech dla przeprowadzenia procesu rozpoznania
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoSPOTKANIE 2: Wprowadzenie cz. I
Wrocław University of Technology SPOTKANIE 2: Wprowadzenie cz. I Piotr Klukowski Studenckie Koło Naukowe Estymator piotr.klukowski@pwr.edu.pl 17.10.2016 UCZENIE MASZYNOWE 2/27 UCZENIE MASZYNOWE = Konstruowanie
Bardziej szczegółowoAUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
Bardziej szczegółowoBIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk SIECI NEURONOWE www.agh.edu.pl Mózg inspiruje nas od wieków Co takiego
Bardziej szczegółowoMetody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów
Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoElementy statystyki wielowymiarowej
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Elementy statystyki wielowymiarowej 1.1 Kowariancja i współczynnik korelacji 1.2 Macierz kowariancji 1.3 Dwumianowy rozkład normalny 1.4 Analiza składowych
Bardziej szczegółowoCo to jest grupowanie
Grupowanie danych Co to jest grupowanie 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Szukanie grup, obszarów stanowiących lokalne gromady punktów Co to jest grupowanie
Bardziej szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowoAutomatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010
Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoRozpoznawanie wzorców. Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki
Rozpoznawanie wzorców Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Twierzdzenie: Prawdopodobieostwo, że n obserwacji wybranych
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoSztuczne sieci neuronowe (SNN)
Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoSieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści
Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej
Bardziej szczegółowoKompresja danych Streszczenie Studia Dzienne Wykład 10,
1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny
Bardziej szczegółowoWymagania kl. 3. Zakres podstawowy i rozszerzony
Wymagania kl. 3 Zakres podstawowy i rozszerzony Temat lekcji Zakres treści Osiągnięcia ucznia 1. RACHUNEK PRAWDOPODOBIEŃSTWA 1. Reguła mnożenia reguła mnożenia ilustracja zbioru wyników doświadczenia za
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
Bardziej szczegółowoAlgorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych. Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS
Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS Dyskretyzacja - definicja Dyskretyzacja - zamiana atrybutów
Bardziej szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoSztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010
Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena
Bardziej szczegółowoKształcenie w zakresie podstawowym. Klasa 2
Kształcenie w zakresie podstawowym. Klasa 2 Poniżej podajemy umiejętności, jakie powinien zdobyć uczeń z każdego działu, aby uzyskać poszczególne stopnie. Na ocenę dopuszczającą uczeń powinien opanować
Bardziej szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoSztuczne sieci neuronowe
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe Sztuczne sieci neuronowe Wprowadzenie Trochę historii Podstawy działania Funkcja aktywacji Typy sieci 2 Wprowadzenie Zainteresowanie
Bardziej szczegółowoJakość uczenia i generalizacja
Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które
Bardziej szczegółowoKatalog wymagań programowych na poszczególne stopnie szkolne. Matematyka. Poznać, zrozumieć
Katalog wymagań programowych na poszczególne stopnie szkolne Matematyka. Poznać, zrozumieć Kształcenie w zakresie podstawowym. Klasa 3 Poniżej podajemy umiejętności, jakie powinien zdobyć uczeń z każdego
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY SZTUCZNE SIECI NEURONOWE MLP Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoTechniki uczenia maszynowego nazwa przedmiotu SYLABUS
Techniki uczenia maszynowego nazwa SYLABUS Obowiązuje od cyklu kształcenia: 2014/20 Część A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej studiów Poziom kształcenia Profil studiów
Bardziej szczegółowo1. Logika, funkcje logiczne, preceptron.
Sieci neuronowe 1. Logika, funkcje logiczne, preceptron. 1. (Logika) Udowodnij prawa de Morgana, prawo pochłaniania p (p q), prawo wyłączonego środka p p oraz prawo sprzeczności (p p). 2. Wyraź funkcję
Bardziej szczegółowoSPIS TREŚCI WSTĘP... 8 1. LICZBY RZECZYWISTE 2. WYRAŻENIA ALGEBRAICZNE 3. RÓWNANIA I NIERÓWNOŚCI
SPIS TREŚCI WSTĘP.................................................................. 8 1. LICZBY RZECZYWISTE Teoria............................................................ 11 Rozgrzewka 1.....................................................
Bardziej szczegółowoCharakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej)
Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) 1 Podział ze względu na zakres danych użytych do wyznaczenia miary Miary opisujące
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoAlgorytm grupowania danych typu kwantyzacji wektorów
Algorytm grupowania danych typu kwantyzacji wektorów Wstęp Definicja problemu: Typowe, problemem często spotykanym w zagadnieniach eksploracji danych (ang. data mining) jest zagadnienie grupowania danych
Bardziej szczegółowoSztuczna inteligencja : Algorytm KNN
Instytut Informatyki Uniwersytetu Śląskiego 23 kwietnia 2012 1 Algorytm 1 NN 2 Algorytm knn 3 Zadania Klasyfikacja obiektów w oparciu o najbliższe obiekty: Algorytm 1-NN - najbliższego sąsiada. Parametr
Bardziej szczegółowoKlasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących
Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Cezary Dendek Wydział Matematyki i Nauk Informacyjnych PW Plan prezentacji Plan prezentacji Wprowadzenie
Bardziej szczegółowo