SIECI NEURONOWE BUPA Selekcja danych medycznych
|
|
- Aneta Sadowska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Piotr Olchawski Kraków, Informatyka Stosowana III rok SIECI NEURONOWE BUPA Selekcja danych medycznych INTELIGENCJA OBLICZENIOWA Wydział Fizyki, Astronomii i Informatyki Stosowanej Uniwersytet Jagielloński
2 WSTĘP Problem, który będę próbował rozwiązać, dotyczy dysfunkcji działania wątroby. Istnieje wiele przyczyn, które prowadzą do takiej jej degeneracji, lecz jedną z podstawowych i najbardziej groźnych zarazem jest marskość wątroby, która polega na stopniowym włóknieniu miąższu wątroby, powodującym niszczenie jej budowy i w efekcie upośledzenie funkcji metabolicznych oraz utrudnienie odpływu żółci. Marskość wątroby jest główną przyczyną powstawania nadciśnienia wrotnego. Przyczyną jej pojawienia się mogą być toksyny jak alkohol, choroby metaboliczne, zakażenia wirusowe i wiele innych, a co ważniejsze mogą one współwystępować u jednego pacjenta. W krajach wysoko rozwiniętych najbardziej powszechnymi przyczynami są przewlekłe nadużywanie alkoholu i zakażenie wirusem zapalenia wątroby typu B i C (HBV i HCV). Choroba wątroby spowodowana alkoholem alkoholowa marskość wątroby rozwija się po około 10 latach intensywnego picia u 15% alkoholików. Dzienna dawka alkoholu, która spowoduje marskość, jest różna średnio 3 4 drinki dziennie u mężczyzn albo 2 3 u kobiet. Uszkodzenie wątroby jest wynikiem blokowania przez alkohol metabolizmu związków pokarmowych tłuszczów, białek i węglowodanów. Należy wspomnieć, że alkohol dostarcza również pustych kalorii, co przyczynia się do otyłości, mimo wyraźnych objawów niedoboru witamin i składników mineralnych. Zakażenie wirusem zapalenia wątroby typu B jest to jedna z najczęstszych przyczyn marskości wątroby, zwłaszcza w południowo wschodniej Azji. Zakażenie to jest mniej powszechne w Ameryce i Europie, ze względu na lepszą dostępność szczepionki. Wirus HBV (hepatitis B virus) powoduje zapalenie wątroby, które przekształca się w marskość po upływie wielu, bo nawet kilkudziesięciu, lat. Wirus HDV (hepatitis D virus) nie powoduje zapalenia samodzielnie, ale koinfekcja tym patogenem w przypadku obecnego już zakażenia wirusem B przyspiesza postęp choroby. Zakażenie wirusem zapalenia wątroby typu C najczęstsza obok alkoholu przyczyna marskości i zapalenia wątroby w kręgu cywilizacji zachodniej. Zakażenie tym patogenem powoduje przewlekłe zapalenie miąższu i uszkodzenia, które po upływie wielu lat prowadzą do zwłóknienia. Wirus typu C jest szczególnie niebezpieczny, ponieważ obecnie nie ma na niego szczepionki i jest stosunkowo oporny na sterylizację, tak że możliwe jest zakażenie się przez niedokładnie wyjałowione narzędzia, np. u dentysty lub w studio tatuażu. Marskość z autoimmunizacji spowodowana wytworzeniem przez organizm przeciwciał skierowanych przeciw własnej wątrobie. Konsekwencją jest uszkodzenie tego narządu, zapalenie, powstawanie blizn łącznotkankowych i zwłóknienie. U większości pacjentów wyodrębnić możne pojawiające się tzw. objawy wczesne, do których zaliczamy: zaczerwienienie dłoni, czerwone plamki pojawiające się na górnej połowie ciała, hipertrofia ślinianek przyusznych, zwłóknienie ścięgien w rękach. Może wystąpić zniekształcenie palców i paznokci u rąk. Wielu pacjentów we wczesnym stadium choroby w ogóle nie ma objawów, choć tkanka wątrobowa jest stale zastępowana przez nieczynną funkcjonalnie tkankę łączną. Gdy dochodzi do znacznego upośledzenia czynności wątroby, mogą wystąpić następujące symptomy: wyczerpanie, zmęczenie, utrata apetytu, nudności, osłabienie, utrata masy ciała, bóle brzucha, ginekomastia, hypogonadyzm, ascites wodobrzusze, splenomegalia powiększenie śledziony z powodu przekrwienia w wyniku nadciśnienia wrotnego, asterixis obustronne trzepotanie wyciągniętymi, grzbietowo zgiętymi dłońmi, występujące u pacjentów z encefalopatią wątrobową.
3 Znamy już ogólne przyczyny i konsekwencje pojawienia się marskości wątroby, jednak zagrożenie jakie ze sobą niesie najbardziej uświadamia znajomość konsekwencji. W miarę postępu choroby pojawiają się powikłania. U niektórych pacjentów, z racji niewystąpienia objawów wczesnych, powikłania mogą stanowić pierwsze symptomy uszkodzenia wątroby. Wybroczyny i krwawienia obniżona produkcja czynników krzepnięcia, żółtaczka niedostateczne tempo metabolizmu bilirubiny, swędzenie skóry odkładanie się w niej związków powstających w wyniku nieprawidłowych przemian związków zawartych w żółci, encefalopatia wątrobowa upośledzona wątroba nie usuwa z krwi amoniaku i produktów przemian związków azotowych, w wyniku czego rośnie ich stężenie we krwi. Organem najbardziej podatnym na uszkodzenie przez metabolity azotowe jest mózg. Symptomy encefalopatii wątrobowej to: zaniedbany wygląd zewnętrzny, skłonność do zapominania, zaburzenia koncentracji, zaburzone reagowanie na bodźce, zmiany rytmu snu i czuwania, zwiększona wrażliwość na leki spadek tempa metabolizmu związków aktywnych biologicznie, przez co dłużej utrzymują się one we krwi, insulinooporność i cukrzyca typu 2, nowotwór złośliwy wątroby (rak wątrobowokomórkowy) oraz wspomniane już nadciśnienie wrotne krew płynąca z jelit oraz trzustki przez żyłę wrotną wątrobową przepływa przez marską wątrobę trudniej, w wyniku czego ciśnienie w żyle rośnie. Następczymi problemami nadciśnienia wrotnego są: wodobrzusze przesączanie się płynu z naczyń krwionośnych do tkanek jamy brzusznej, żylaki przełyku wynik tworzenia się krążenia obocznego przez naczynia jamy brzusznej i przełyku. Przeciążone naczynia w przełyku mają skłonność do powiększania się i pękania, co jest przyczyną zagrażających życiu krwotoków, zespół wątrobowo nerkowy objawy niewydolności nerek u chorego z ciężką dysfunkcją wątroby, zespół wątrobowo płucny niedotlenienie krwi u chorych z nadciśnieniem wrotnym, inne problemy dysfunkcja wątroby może powodować upośledzenie układu immunologicznego, zwiększając ryzyko infekcji. Marskość może być przyczyną impotencji, dysfunkcji lub niewydolności nerek bądź osteoporozy. Kiedy widzimy efekty wystąpienia takiego schorzenia, zadajemy sobie pytanie jak temu można zapobiec. Oczywiście są różne sposoby wczesnego wykrywania i zapobiegania wystąpieniu dysfunkcji wątroby. Nie ma jednak jednego magicznego testu, który powie na pytanie, czy ktoś jest zagrożony, czy też nie. Mimo wszystko na podstawie zdobytej wiedzy o problemie, można zauważyć związki pomiędzy pewnymi zachowaniami i wynikami pewnych badań. W ten sposób wykreowano kilka współczynników, mogących pomóc w przeprowadzeniu diagnozy. Moim zadaniem będzie stworzenie i przetestowanie różnych wielowarstwowych sztucznych sieci neuronowych, których zadaniem będzie podejmowanie decyzji. Sieć będzie wytrenowana na reprezentatywnym zbiorze danych i odpowiadać będzie z większą lub mniejszą trafnością na pytanie, czy pacjent może być chory. PRZYJĘTA METODA UCZENIA Stworzoną sieć neuronową uczył będę używając algorytmu wstecznej propagacji błędów, dlatego warto przedstawić zarys działania tego algorytmu. Jest to podstawowy algorytm uczenia nadzorowanego wielowarstwowych jednokierunkowych sieci neuronowych. Podaje on przepis na zmianę wag w ij dowolnych połączeń elementów przetwarzających rozmieszczonych w sąsiednich warstwach sieci. Oparty jest on na minimalizacji sumy kwadratów błędów uczenia z wykorzystaniem optymalizacyjnej metody największego spadku. Dzięki zastosowaniu specyficznego sposobu propagowania błędów uczenia sieci powstałych na jej wyjściu, tj. przesyłania ich od warstwy
4 wyjściowej do wejściowej, algorytm propagacji wstecznej stał się jednym z najskuteczniejszych algorytmów uczenia sieci. Reguła delty i metoda największego spadku Rozważmy sieć jednowarstwową o liniowych elementach przetwarzających. Załóżmy, że mamy P elementowy zbiór wzorców. Przy prezentacji m tego wzorca na wejściu sieci, dla j tego elementu wyjściowego możemy zdefiniować błąd: zm gdzie y j, y m j i j m j oznaczają odpowiednio oczekiwane i aktualne wartości wyjścia j tego neuronu oraz ważoną sumę wejść wyznaczoną w jego sumatorze przy prezentacji m tego wzorca; u m i i ta składowa m tego wektora wejściowego (u 0 m = 1, wejście progowe); w ij oznacza wagę połączenia pomiędzy j tym elementem warstwy wyjściowej a i tym elementemm warstwy wejściowej; n 0 liczba wejść. Jako miarę błędu sieci wprowadźmy sumę po wszystkich wzorcach błędów powstałych przy prezentacji każdego z nich:, ; n liczba wyjść sieci Problem uczenia sieci to zagadnienie minimalizacji funkcji błędu. Jedną z najprostszych metod minimalizacji jest gradientowa metoda największego spadku. Jest to metoda iteracyjna, która poszukuje lepszego punktu w kierunku przeciwnym do gradientu funkcji celu w danym punkcie. Stosując powyższą metodę do uczenia sieci, zmiana Dw ji wagi połączenia w ji winna spełniać relację: ; h współczynnik proporcjonalności. W przypadku liniowych elementów przetwarzających mamy: Stąd otrzymamy:, oraz ostatecznie gdzie górne indeksy n i s oznaczają odpowiednio "nową" i "starą" wartość współczynnika wag w ji. Konsekwentna realizacja metody największego spadku wymaga dokonywania zmian wag wji dopiero po zaprezentowaniu sieci pełnego zbioru wzorców, m = 1, 2,..., P. W praktyce stosuje się jednak zmiany wag po każdej prezentacji pojedynczego wzorca zgodnie ze wzorem:
5 co pozwala istotnie uprościćć praktyczną realizacjęę algorytmu. Zasada zmiany wartości współczynników wag w ji, określona powyższym wzorem, nazywana jest regułą delty. Owa modyfikacja wprowadza wprawdzie pewne zaburzenie do metody największego spadku, ale jest ono zaniedbywalnie małe dla odpowiednio niewielkich wartości h, czyli dla małych zmian wag. Reguła delty, jako pewnee przybliżenie metody największego spadku przy wystarczająco małym współczynniku h, poszukuje zbioru wag minimalizującego funkcję błędu sieci liniowej. Rozważmy sieć jednowarstwową z elementami przetwarzającymi o nieliniowej, lecz niemalejącej i różniczkowalnej funkcji aktywacji f. Wówczas zmianę wag w ji można opisać równaniem: Druga z pochodnychh cząstkowych jest oczywiście równa u m i. Pierwsza dla elementu liniowego jest równa dd m j. Przez analogię zdefiniujemy nową zmienną:,przy czym: gdzie f'(j) oznaczaa pochodnąą funkcji aktywacji względem zmiennej j. zamieszczonych wyżej wzorów zapiszemy: Stąd na podstawie Ostatecznie wzór ogólny przyjmie postać: i nosi nazwę uogólnionej reguły delty dla nieliniowej sieci jednowarstwowej. Rozważmy M warstwową sieć elementów o jednakowych nierosnących i różniczkowalnych funkcjach mm aktywacji f(j). Jeśli przez u i oznaczymy wartość wyjścia i tego elementu m tej warstwy przy prezentacji m tego wzorca (m = 0,..., M; i = 0, 1,..., n m ; m = 1, 2,..., P), to aktywność j tego elementu przetwarzającego m tej warstwy wyrazi się wzorem: Zdefiniujmy błąd powstały w j tym elemenciee m tej warstwy, analogicznie do wzoru:,czyli Dla warstwy wyjściowej zgodnie z wzorem:, zapiszemy:
6 Powyższa pochodna cząstkowa jest bardziej kłopotliwa do wyznaczenia dla elementów warstw ukrytych, ze względu na złożoność zależności x m od u mm j. Należy pamiętać, że u mm j jest jednym za składników sum ważonych liczonych we wszystkich elementach warstwy (m + 1). Możemy zatem napisać: Stąd, na podstawie przypisać błąd: trzech ostatnich zależności, możemy każdemu elementowi przetwarzającemu dla warstwy wyjściowej: dla warstw ukrytych: Dla tak zdefiniowanego błędu możemy wyprowadzić ogólną regułę delty: Uogólniona reguła delty jest procedurą dwufazową. W pierwszej fazie na wejściu sieci prezentowany jest wektor wzorcowy u m i dla każdej warstwy wyznacza się aktualne aktywności wszystkich elementów przetwarzających zgodnie ze wzorem: Fazę tą kończy porównanie aktywności elementów wyjściowych y m j, j = 1, 2,..., n M z oczekiwanymi wyjściami y zm j. W drugiej fazie błąd warstwy wyjściowej d Mm j jest rzutowany wstecz zgodnie ze wzorem: na wszystkie elementy przetwarzające sieci w kolejności przeciwnej do uporządkowania warstw:
7 Po określeniu wartości błędów dla każdego elementu przetwarzającego warstw ukrytych pozostaje jedynie wyznaczeniee poprawek wag połączeńń przy pomocy wzoru: Technika polegającaa na przesyłaniu błędów warstwy wyjściowej wstecz poprzez siećć w celu określenia odpowiednich zmian wag w warstwach wcześniejszych nazwana została wsteczną propagacją błędów, i stąd nazwaa metody uczenia. DANE I ICH PODZIAŁ Kolumna Skrót mcv alkphos sgpt sgot gammagt Pełna Nazwa mean corpuscular volume alkaline phosphotase alamine aminotransferase aspartate aminotransferase gamma glutamyl transpeptidase Znaczenie Wskaźnik średniej objętości krwinki czerwonej Fosfataza alkaliczna Transaminaza alaminy Transaminaza aspartaty Transpeptydazaa gamma glutamylu 6 7 drinks selector number of half pint equivalents of alcoholic beverages drunk per day used to split data into two setss Liczba będąca odpowiednikiem dziennego spożycia napojów alkoholowych Liczba dzieląca wyniki na 2 zbiory Jako dane używał będę zestawu pomiarów 345 zdrowych i chorych pacjentów badanych pod względem obecności dysfunkcji wątroby. W skład nich wchodzi 145 osób typu 1 oraz 200 osób typu 2. W skład pomiarów wejdzie 7 parametrów. Pierwsze pięćć z nich to całkowite liczby oznaczające wyniki badań krwi. Kolejny jest liczbą rzeczywistą, mówiącą o spożyciu alkoholu, ostatni zaś jest klasyfikatorem dzielącym dane na dwa zbiory osoby chore i zdrowe. Na pozór mamy więc 6 danych wejściowych oraz 1 daną wyjściową. Sieć będzie zatem przyjmować dane z pierwszych 6 kolumn i odpowiadać na pytanie, czy pacjent jest potencjalnie chory, czy teżż nie. Dane zostały podzielone w taki sposób, by co trzeci wpis trafił do ciągu testującego, dwa poprzednie zaś do ciągu uczącego. W ten sposób zestaw danych został podzielony na 2 zestawy. Pierwszy z nich uczący składa się z 230 wpisów, gdzie znajduje się 95 osób typu 1 oraz 135 osób typu 2. Drugi testujący zawiera 115 wpisów, w tym 50 pierwszego typu i 65 drugiego typu.
8 TESTY W celu wykonania zadania rozpocząłem testowanie różnych topologii sieci o różnych parametrach, wykorzystując wszystkie rodzaje standaryzacji danych. Kilka problemów zauważyłem już na samym początku. Ostatnia tj. wyjściowa kolumna zawiera liczby 1 oraz 2, czego żadna sieć neuronowa nie akceptuje na wyjściu, dlatego należy użyćć standaryzacji wyjścia. Ja wybrałem następujące zmiany: 1 >0 oraz 2 >1. Pomimo tego, żadna z normalizacji, czy to po wierszach, czy po kolumnie, czy też bez oraz żadne parametry szybkości uczenia n oraz niepropagowanego błędu d nie dawały zadawalających rezultatów. Oto kilka przykładowych wykresów wraz z opisem funkcji aktywacji, parametrów n oraz d, topologii sieci oraz użytej standaryzacji danych: Powyższe wykresy przedstawiająą po pięć prób uczenia sieci dla następujących parametrów: A) Sieć 6 >12 >1 =0,1 d=0,1 brak normalizacji danych wejściowych, LOG f. aktywacji B) Sieć 6 >6 >1 =0,2 d=0,3 brak normalizacji danych wejściowych, LOG f. aktywacji C) Sieć 6 >6 >1 =0,3 d=0,2 brak normalizacji danych wejściowych, LOG f. aktywacji
9 Jak widać, brak normalizacji dla zadanych sieci spowodował stały, duży błąd, a sieci nawet nie próbowały się uczyć. Przeprowadziłem wiec kolejne testy dla różnych parametrów n oraz d i aktywacji neuronów funkcją tangensa hiperbolicznego oraz różnej liczby neuronów warstw ukrytych, co również zakończyło się fiaskiem. Poniżej przedstawiam na jednym wykresie wyniki uczenia kilku prób. Oznacza to, iż dane wyjściowe nie dawały żadnej sensownej informacji dotyczącej wstecznej propagacji błędów. Wprowadziłem więc wspomnianą normalizację wyjścia do przedziału [0;1]. A oto wyniki pięciu testów dla kilku sieci i różnych parametrów uczenia ze znormalizowanym wyjściem (sygnał wyjściowy znormalizowany do przedziału <0;1>): Sieć 6 >10 >10 >1 =0,1 0,5 brak normalizacji danych wejściowych, normalizacja danych wyjściowych <0;1>, LOG i TAN H f. aktywacji
10 Sieć 6 >8 >8 >8 >1 =0,1 0,5 brak normalizacji danych wejściowych, normalizacja danych wyjściowych <0;1>, LOG i TAN H f. aktywacji Powyższe testy udowadniają, że normalizacja wyjścia pomogła zmniejszyć błąd, ale sieć nadal się nie uczy. Kolejnym spostrzeżeniem jest to, iż dane wejściowe przekraczają zakres akceptowanych wartości, czyli przekraczają wartość 1, co powoduje brak reakcji sieci wszystkie dane są traktowane jednakowo (np. jako ciąg jedynek na wejściu). Rozwiązaniem tego może być normalizacja wejścia do akceptowalnego przedziału < 1;1>. Jako pierwszą z nich zastosowałem normalizację po wierszach do przyjętego przedziału, oraz przeprowadziłem testy dla dwóch różnych sieci, różnych funkcji aktywacji neuronw, oraz różnych wartości n oraz d. Oto wyniki: Sieć 6 >9 >9 >1 =0,1 0,5 normalizacja wierszy wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, LOG f. aktywacji Tylko dla parametrów n=0,1 sieć nauczyła się po około cykli. Dlatego powtórzyłem kilka razy pomiary dla tych ustawień sieci.
11 Sieć 6 >9 >9 >1 =0,1 normalizacja wierszy wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, LOG f. aktywacji Tylko jeden z pięciu testów zakończył się powodzeniem, zatem takie ustawienia sieci nie są satysfakcjonujące. Te same testy przeprowadziłem używając jako funkcji aktywacji tangensa hiperbolicznego. Sieć 6 >9 >9 >1 =0,1 0,5 normalizacja wierszy wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji Jak widać sama normalizacja wierszy nie pomogła sieci w uczeniu się. Dokładniejsze przyglądnięcie się skutkom takiej normalizacji prowadzi do prostych wniosków. Pierwsza kolumna danych składa się wówczas niemal w całości z liczb 1 a ostatnia kolumna wejściowa z liczb 1. W ten sposób tracimy mnóstwo informacji, a wspomniane kolumny nie niosą już praktycznie żadnej informacji (wartości nie zmieniają się), dlatego normalizacja wierszy jest bezsensowna tak samo jak i jej brak, dlatego w dalszych testach polegał będę tylko na normalizacji kolumn, dzięki której w badanym przypadku nie będę tracił żadnej istotnej informacji.
12 Sieć 6 >9 >9 >1 =0,1 0,5 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji Sieć 6 >9 >9 >1 =0,1 0,5 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, LOG f. aktywacji Pomimo zastosowanej normalizacji wyniki nadal nie były satysfakcjonujące, co zmusiło mnie do dalszej analizy danych. Opis danych choroby stwierdza jednak, iż przedostatnia kolumna (ilość spożywanego alkoholu) ma istotne znaczenie w selekcji typu, dlatego też użyłem pewnej zmiany jej wartości, a dokładniej zmieniłem sposób zapisu znajdujących się w niej liczb. Przed zastosowaniem normalizacji kolumn zamieniłem liczby na odpowiadające im numery zapisane binarnie, czyli od 0 do 15 (4 bity). W ten sposób powstały trzy nowe kolumny danych. Wpłynęło to jednak na zwiększenie znaczenia wspomnianych wartości. Reprezentowane były teraz przez 4 a nie jeden neuron wejściowy.
13 Zastosowane usprawnienie odniosło pożądany skutek. Oto wyniki pomiarów oraz parametry sieci, dla których udało się wytrenować sieć na podstawie ulepszonych danych. Sieć 9 >12 >12 >1 =0,1 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, LOG f. aktywacji ŚREDNIA SSE PO CYKLI = (4,00 + 2,00 + 4,00 + 1,00 + 2,13) / 5 = 2,63 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 1,33 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 2,13 Sieć 9 >12 >12 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, LOG f. aktywacji ŚREDNIA SSE PO CYKLI = (1,00 + 1,00 + 0,00 + 0,00 + 1,00) / 5 = 0,60 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,55 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 1,00
14 Sieć 9 >12 >12 >1 =0,3 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, LOG f. aktywacji ŚREDNIA SSE PO CYKLI = (0,00 + 0,00 + 1,00 + 0,00 + 0,00) / 5 = 0,20 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,45 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 0,00 Sieć 9 >12 >12 >1 =0,1 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (0,00 + 0,00 + 0,00 + 0,00 + 0,00) / 5 = 0,00 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,00 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 0,00
15 Sieć 9 >12 >12 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (0,00 + 0,00 + 0,00 + 0,00 + 0,00) / 5 = 0,00 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,00 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 0,00 Sieć 9 >12 >12 >1 =0,3 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (0,00 + 0,00 + 0,00 + 0,78 + 0,00) / 5 = 0,16 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,35 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 0 Jak widać dla małych wartości parametru szybkości uczenia sieci (0,1 lub 0,2) oraz przy wykorzystaniu tangensa hiperbolicznego jako funkcji aktywacji sieć uczy się i to bardzo szybko. Teraz przeprowadzę kilka testów na samej budowie siec, zaczynając od małej liczby neuronów w warstwach ukrytych do dużej ilości, by sprawdzić jak sieć zachowuje się wraz z tego typu zmianami.
16 A oto porównanie średnich błędów dla różnych współczynników uczenia sieci: Dla tangensa hiperbolicznego Jako funkcji aktywacji: 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, ,156 TEST 1 (n=0,1) TEST 1 (n=0,2) TEST 1 (n=0,3) Dla logistycznej funkcji aktywacji: 4,5 4 3,5 3 2,5 2,63 2 1,5 1 0,5 0 TEST 1 (n=0,1) TEST 1 (n=0,2) TEST 1 (n=0,3) 0,6 0,2 Zauważyć można, iż tangens prezentuje się lepiej ale tylko dla małych wartości n. Dla większych błąd zaczyna zachowywać się chaotycznie. Na dolnym wykresie widać jednak, iż sieć zbudowana na logistycznej funkcji aktywacji jest pod tym względem bardziej stabilna. Mimo wszystko tangens daje lepsze rezultaty.
17 Sieć 9 >4 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (24, , , , ,01) / 5 = 23,14 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 1,08 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 23,87 Sieć 9 >8 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (8, , , , ,15) / 5 = 15,91 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 5,94 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 13,95
18 Sieć 9 >12 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (3,00 + 3,55 + 3,00 + 2,40 + 3,00) / 5 = 2,99 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,40 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 3,00 Sieć 9 >16 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (1,77 + 1,00 + 1,99 + 1,00 + 3,00) / 5 = 1,75 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 0,83 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 1,77
19 Sieć 9 >16 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (3,00 + 3,00 + 3,00 + 3,00 + 0,00) / 5 = 2,4 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 1,34 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 3,00 Jak widać powiększanie liczby neuronów nie zawsze daje wymierne rezultaty, gdyż średni zysk jest czasem niewielki, lub nawet wcale go nie ma. W kolejnym kroku dodam nowe 4 neurony, jednak Rozdziele je na 2 warstwy ukryte. Sieć 9 >12 >12 >1 =0,2 d=0,2 normalizacja kolumn wejściowych < 1;1>, normalizacja danych wyjściowych <0;1>, TAN H f. aktywacji ŚREDNIA SSE PO CYKLI = (0,00+ 3,35 + 0,00 + 0,00 + 0,00) / 5 = 0,67 ODCHYLENIE STANDARDOWE SSE PO CYKLI = 1,50 WARTOŚĆ OCZEKIWANA SSE PO CYKLI = 0,00
20 A oto zestawienie minimów, maksimów i średnich błędów 5 prób dla każdej z ostatnich sześciu topologii sieci: , , ,99 1,75 2,4 0,67 TEST 1 (4N) TEST 2 (8N) TEST 3 (12N) TEST 4 (16N) TEST 5 (20N) TEST 6 (12+12N) Jak widać, zwiększanie liczby neuronów zmniejsza błąd odpowiedzi sieci, jednak nie zawsze 1 warstwa jest wystarczająca. Dla niektórych problemów trzeba wykorzystać więcej warstw. Z reguły używa się około dwukrotnie większej liczby neuronów w warstwach ukrytych niż istnieje wejść sieci, lecz liczba warstw ukrytych zależy od badanego problemu. Ostatecznie na podstawie wykonanych pomiarów sporządziłem krzywe ROC dla najlepiej uczących się przypadków, wraz z obliczoną przybliżonym polem pod wykresem. Pozwoli ona na ocenę zdolności generalizacji wybranych sieci oraz wybór najlepszej z nich: ROC / AUC=0, ,9 0,8 y = 2,773x 3 5,754x 2 + 4,001x 0,000 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0,00 0,20 0,40 0,60 0,80 1,00 Krzywa dla sieci: , aktywacja LOG, n 0,3, d=0,3, normalizacja kolumn < 1;1>, normalizacja wyjścia <0;1>
21 ROC / AUC=0, , 9 0, 8 0, 7 y = 1,046x 3 3,031x 2 + 2,,990x + 0,000 0, 6 0, 5 0,4 0, 3 0, 2 0, 1 0 0,00 0,20 0,40 0,60 0,80 1,,00 Krzywa dla sieci: , aktywacja TANG. H, n 0,2, d=0,2, normalizacja kolumn < 1;1>, normalizacja wyjścia <0;1> ROC / AUC=0,, , 9 0, 8 0, 7 y = 3,713x 3 7,385x 2 + 4,687x + 0,014 0, 6 0, 5 0,4 0, 3 0, 2 0, 1 0 0,00 0,20 0,40 0,60 0,80 1,,00 Krzywa dla sieci: , aktywacja TANG. H, n 0,1, d=0,1, normalizacja kolumn < 1;1>, normalizacja wyjścia <0;1> Na podstawie powyższych wyników za najbardziej dopasowaną ze znalezionych przeze mnie konfigurację sieci wybrać mogę ostatnią przedstawioną na wykresach. Uczy się bardzo szybko (zazwyczaj w ciągu kilku tysięcy cykli) i daje bardzo dobre wyniki rozpoznawania choroby. Wykorzystane źródłą: wątroby, //
Sztuczna 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 szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoZMIANY W ORGANIZMIE SPOWODOWANE PICIEM ALKOHOLU
ZMIANY W ORGANIZMIE SPOWODOWANE PICIEM ALKOHOLU ( na podstawie artykułu zamieszczonego na portalu internetowym www.wp.pl zebrał i opracował administrator strony www.atol.org.pl ) Przewlekłe nadużywanie
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 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 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 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 szczegółowoJAK DZIAŁA WĄTROBA? Wątroba spełnia cztery funkcje. Najczęstsze przyczyny chorób wątroby. Objawy towarzyszące chorobom wątroby
SPIS TREŚCI JAK DZIAŁA WĄTROBA? Wątroba spełnia cztery funkcje Wątroba jest największym narządem wewnętrznym naszego organizmu. Wątroba jest kluczowym organem regulującym nasz metabolizm (każda substancja
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
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 szczegółowoWirusowe Zapalenie Wątroby typu C WZW typu C
Powiatowa Stacja Sanitarno Epidemiologiczna w m. st. Warszawie ul. Kochanowskiego 21, Oddział Promocji Zdrowia, ul. Cyrulików 35; tel. 22/311-80-07 08; e-mail: oswiatazdrowotna@pssewawa.pl Wirusowe Zapalenie
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 szczegółowoNA ZAKAŻENIE HBV i HCV
NA ZAKAŻENIE HBV i HCV Wojewódzka Stacja Sanitarno-Epidemiologiczna w Gdańsku 18.04.2016r. Aneta Bardoń-Błaszkowska HBV - Hepatitis B Virus Simplified diagram of the structure of hepatitis B virus, Autor
Bardziej szczegółowoWIRUSOWE ZAPALENIE WĄTROBY TYPU C PROGRAM PROFILAKTYKI ZAKAŻEŃ HCV
WIRUSOWE ZAPALENIE WĄTROBY TYPU C PROGRAM PROFILAKTYKI ZAKAŻEŃ HCV Wątroba to największy i bardzo ważny narząd! Produkuje najważniejsze białka Produkuje żółć - bardzo istotny czynnik w procesie trawienia
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 szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoKwestionariusz wiedzy dla pracowników programów i placówek narkotykowych
Inicjatywa EMCDDA na rzecz redukcji szkód Zwiększanie testowania na obecność wirusa zapalenia wątroby (WZW) typu C oraz skierowań do leczenia wśród iniekcyjnych użytkowników narkotyków w programach i placówkach
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 szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
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 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 szczegółowoTemat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
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 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 szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoWpływ alkoholu na ryzyko rozwoju nowotworów złośliwych
Wpływ alkoholu na ryzyko rozwoju nowotworów złośliwych Badania epidemiologiczne i eksperymentalne nie budzą wątpliwości spożywanie alkoholu zwiększa ryzyko rozwoju wielu nowotworów złośliwych, zwłaszcza
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 szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
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 szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowowiedzy Sieci neuronowe (c.d.)
Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie
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 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 szczegółowoNIEWYDOLNOŚĆ NEREK - EPIDEMIOLOGIA, OBJAWY, STADIA NIEWYDOLNOŚCI, DIAGNOSTYKA AGNIESZKA BARTOSZ GR.1
NIEWYDOLNOŚĆ NEREK - EPIDEMIOLOGIA, OBJAWY, STADIA NIEWYDOLNOŚCI, DIAGNOSTYKA AGNIESZKA BARTOSZ GR.1 Niewydolność nerek Niewydolność nerek charakteryzuje się utratą zdolności do oczyszczania organizmu
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 szczegółowoPilotażowy Program Profilaktyki Zakażeń HCV
Pilotażowy Program Profilaktyki Zakażeń HCV HCV zidentyfikowany w 1989 roku należy do rodziny Flaviviridae zawiera jednoniciowy RNA koduje białka strukturalne i niestrukturalne (co najmniej 10) ma 6 podstawowych
Bardziej szczegółowoNieprawidłowe odżywianie jest szczególnie groźne w wieku podeszłym, gdyż może prowadzić do niedożywienia
Nieprawidłowe odżywianie jest szczególnie groźne w wieku podeszłym, gdyż może prowadzić do niedożywienia Niedożywienie może występować u osób z nadwagą (powyżej 120% masy należnej) niedowagą (poniżej 80%
Bardziej szczegółowoSpis treści. śelazo... 46 Wapń i witamina D... 47 Cynk... 47
Spis treści Przedmowa... 9 1. Ustalanie zapotrzebowania energetycznego w róŝnych stanach chorobowych (Danuta Gajewska)... 11 Wiadomości ogólne... 11 Całkowita przemiana materii... 12 Wprowadzenie... 12
Bardziej szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoZDROWE ODŻYWIANIE = ZDROWE ŻYCIE
ZDROWE ODŻYWIANIE = ZDROWE ŻYCIE RACJONALNIE = ZDROWO Zdrowa dieta jest jednym z najważniejszych elementów umożliwiających optymalny wzrost, rozwój i zdrowie. Ma przez to wpływ na fizyczną i umysłową
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
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 szczegółowoSztuczne sieci neuronowe Ćwiczenia. Piotr Fulmański, Marta Grzanek
Sztuczne sieci neuronowe Ćwiczenia Piotr Fulmański, Marta Grzanek Piotr Fulmański 1 Wydział Matematyki i Informatyki, Marta Grzanek 2 Uniwersytet Łódzki Banacha 22, 90-232, Łódź Polska e-mail 1: fulmanp@math.uni.lodz.pl,
Bardziej szczegółowoMaciej Piotr Jankowski
Reduced Adder Graph Implementacja algorytmu RAG Maciej Piotr Jankowski 2005.12.22 Maciej Piotr Jankowski 1 Plan prezentacji 1. Wstęp 2. Implementacja 3. Usprawnienia optymalizacyjne 3.1. Tablica ekspansji
Bardziej szczegółowoSymago (agomelatyna)
Ważne informacje nie wyrzucać! Symago (agomelatyna) w leczeniu dużych epizodów depresyjnych u dorosłych Poradnik dla lekarzy Informacja dla fachowych pracowników ochrony zdrowia Zalecenia dotyczące: -
Bardziej szczegółowoNADCIŚNIENIE ZESPÓŁ METABOLICZNY
NADCIŚNIENIE ZESPÓŁ METABOLICZNY Poradnik dla pacjenta i jego rodziny Konsultacja: prof. dr hab. med. Zbigniew Gaciong CO TO JEST ZESPÓŁ METABOLICZNY Nadciśnienie tętnicze (inaczej podwyższone ciśnienie
Bardziej szczegółowoCzęstotliwość występowania tej choroby to 1: żywych urodzeń w Polsce ok. 5-6 przypadków rocznie.
GALAKTOZEMIA Częstotliwość występowania tej choroby to 1:60 000 żywych urodzeń w Polsce ok. 5-6 przypadków rocznie. galaktoza - cukier prosty (razem z glukozą i fruktozą wchłaniany w przewodzie pokarmowym),
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 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 szczegółowoPodstawy Sztucznej Inteligencji Sztuczne Sieci Neuronowe. Krzysztof Regulski, WIMiIP, KISiM, B5, pok. 408
Podstawy Sztucznej Inteligencji Sztuczne Sieci Neuronowe Krzysztof Regulski, WIMiIP, KISiM, regulski@aghedupl B5, pok 408 Inteligencja Czy inteligencja jest jakąś jedną dziedziną, czy też jest to nazwa
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. Algorytmy konstrukcyjne dla sieci skierowanych
Wstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. dla sieci skierowanych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-25 1 Motywacja
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 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 szczegółowoSztuczna inteligencja
Sztuczna inteligencja Wykład 7. Architektury sztucznych sieci neuronowych. Metody uczenia sieci. źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Podstawowe architektury
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać układu równań liniowych Układ liniowych równań algebraicznych
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 szczegółowoWZW co to jest? Wirusowe Zapalenie Wątroby (WZW) to bardzo groźna i jedna z najczęstszych chorób zakaźnych na świecie.
WZW co to jest? Wirusowe Zapalenie Wątroby (WZW) to bardzo groźna i jedna z najczęstszych chorób zakaźnych na świecie. Ma zasięg globalny. Wywołana jest zakażeniem wirusowym czynnikami sprawczymi zarówno
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 szczegółowoCMC/2015/03/WJ/03. Dzienniczek pomiarów ciśnienia tętniczego i częstości akcji serca
CMC/2015/03/WJ/03 Dzienniczek pomiarów ciśnienia tętniczego i częstości akcji serca Dane pacjenta Imię:... Nazwisko:... PESEL:... Rozpoznane choroby: Nadciśnienie tętnicze Choroba wieńcowa Przebyty zawał
Bardziej szczegółowoWPŁYW ALKOHOLU NA ORGANIZM CZŁOWIEKA
RODZAJE ALKOHOLU alkohol metylowy (znany także pod nazwami spirytus drzewny i karbinol najprostszy, trujący dla człowieka związek organiczny z grupy alkoholi) ; alkohol etylowy (napój alkoholowy); gliceryna
Bardziej szczegółowoNieprawidłowe próby wątrobowe
Nieprawidłowe próby wątrobowe Pacjent Student l. 22 Skierowany z powodu stwierdzonych w rutynowym badaniu podwyższonych testów wątrobowych BMI 22 (jaka norma?) Wywiad: niewielkie przemęczenie, apetyt dobry,
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 szczegółowoHAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM
ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega
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 szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
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 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 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 szczegółowoBadacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe.
Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych,
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoRozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak
2 Rozdział 1 Sztuczne sieci neuronowe. 3 Sztuczna sieć neuronowa jest zbiorem prostych elementów pracujących równolegle, których zasada działania inspirowana jest biologicznym systemem nerwowym. Sztuczną
Bardziej szczegółowoPakiet konsultacji genetycznych zawierający spersonalizowane zalecenia żywieniowe dla pacjenta
Pakiet konsultacji genetycznych zawierający spersonalizowane zalecenia żywieniowe dla pacjenta CHOROBY DIETOZALEŻNE W POLSCE 2,150,000 osób w Polsce cierpi na cukrzycę typu II 7,500,000 osób w Polsce cierpi
Bardziej szczegółowoAneks III. Zmiany w odpowiednich punktach charakterystyki produktu leczniczego i ulotkach dla pacjenta
Aneks III Zmiany w odpowiednich punktach charakterystyki produktu leczniczego i ulotkach dla pacjenta Uwaga: Konieczna może być późniejsza aktualizacja zmian w charakterystyce produktu leczniczego i ulotce
Bardziej szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2013/2014
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2013/2014 Sieci neuronowe Sieci neuronowe W XIX wieku sformułowano teorię opisującą podstawowe
Bardziej szczegółowo(+) ponad normę - odwodnienie organizmu lub nadmierne zagęszczenie krwi
Gdy robimy badania laboratoryjne krwi w wyniku otrzymujemy wydruk z niezliczoną liczbą skrótów, cyferek i znaków. Zazwyczaj odstępstwa od norm zaznaczone są na kartce z wynikami gwiazdkami. Zapraszamy
Bardziej szczegółowoRys Wykres kosztów skrócenia pojedynczej czynności. k 2. Δk 2. k 1 pp. Δk 1 T M T B T A
Ostatnim elementem przykładu jest określenie związku pomiędzy czasem trwania robót na planowanym obiekcie a kosztem jego wykonania. Związek ten określa wzrost kosztów wykonania realizacji całego przedsięwzięcia
Bardziej szczegółowoPrzedzabiegowa ankieta anestezjologiczna
SPECJALISTYCZNY NIEPUBLICZNY ZAKŁAD OPIEKI ZDROWOTNEJ MOTO MED Kazimiera Sikora 25 731 KIELCE, ul. Słoneczna 1 Biuro tel (041) 346-08-50; fax (041) 346-21-00 Przychodnie- ul Słoneczna 1 (041)345-11-47;
Bardziej szczegółowoWZW TYPU B CO POWINIENEŚ WIEDZIEĆ? CZY WYKORZYSTAŁEŚ WSZYSTKIE DOSTĘPNE ŚRODKI ABY USTRZEC SIĘ PRZED WIRUSOWYM ZAPALENIEM WĄTROBY TYPU B?
SZCZEPIONKA WZW TYPU B CO POWINIENEŚ WIEDZIEĆ? CZY WYKORZYSTAŁEŚ WSZYSTKIE DOSTĘPNE ŚRODKI ABY USTRZEC SIĘ PRZED WIRUSOWYM ZAPALENIEM WĄTROBY TYPU B? ZDOBĄDŹ INFORMACJE! ZASZCZEP SIĘ! ZDOBĄDŹ OCHRONĘ!
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Laboratorium 05 Algorytm wstecznej propagacji błędu
Wprowadzenie do Sieci Neuronowych Laboratorium Algorytm wstecznej propagacji błędu Maja Czoków, Jarosław Piersa --7. Powtórzenie Perceptron sigmoidalny Funkcja sigmoidalna: σ(x) = + exp( c (x p)) () Parametr
Bardziej szczegółowoZadbaj o swoje zdrowie już dziś
Zadbaj o swoje zdrowie już dziś Jurata Jurkun Specjalista ds. odżywiania i kontroli wagi Centrum Zdrowego Odżywiania i Kontroli Wagi w Suwałkach Zmiany cywilizacyjne Zmiany cywilizacyjne Transport Zbiory
Bardziej szczegółowoDieta może być stosowana również przez osoby chorujące na nadciśnienie tętnicze, zmagające się z hiperlipidemią, nadwagą oraz otyłością.
Dieta może być stosowana również przez osoby chorujące na nadciśnienie tętnicze, zmagające się z hiperlipidemią, nadwagą oraz otyłością. Jadłospis 14-dniowy Anna Piekarczyk Dieta nie jest dietą indywidualną
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowoAlgorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych
Algorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka 2014/15 Znajdowanie maksimum w zbiorze
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 szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoSzukanie rozwiązań funkcji uwikłanych (równań nieliniowych)
Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych) Funkcja uwikłana (równanie nieliniowe) jest to funkcja, która nie jest przedstawiona jawnym przepisem, wzorem wyrażającym zależność wartości
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 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 szczegółowoDefinicja perceptronu wielowarstwowego
1 Sieci neuronowe - wprowadzenie 2 Definicja perceptronu wielowarstwowego 3 Interpretacja znaczenia parametrów sieci 4 Wpływ wag perceptronu na jakość aproksymacji 4.1 Twierdzenie o uniwersalnych właściwościach
Bardziej szczegółowoSieci neuronowe - dokumentacja projektu
Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...
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 szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoPolacy a ich wątroba Raport z badania realizowanego przez GfK Polonia Sp. z o.o.
Polacy a ich wątroba Raport z badania realizowanego przez GfK Polonia Sp. z o.o. METODOLOGIA I CELE BADANIA Metodologia i cele badania 1 Metoda badania CAPI (Computer Assisted Personal Interviews): wywiady
Bardziej szczegółowoMetoda Karnaugh. B A BC A
Metoda Karnaugh. Powszechnie uważa się, iż układ o mniejszej liczbie elementów jest tańszy i bardziej niezawodny, a spośród dwóch układów o takiej samej liczbie elementów logicznych lepszy jest ten, który
Bardziej szczegółowojest podniesienie wśród ludzi świadomości znaczenia naszych nerek dla zdrowia i życia oraz
Światowy Dzień Nerek Światowy Dzień Nerek jest ogólnoświatową kampanią, której celem jest podniesienie wśród ludzi świadomości znaczenia naszych nerek dla zdrowia i życia oraz informowanie o powszechności
Bardziej szczegółowo