Sztuczne sieci neuronowe
|
|
- Dariusz Sobczak
- 6 lat temu
- Przeglądów:
Transkrypt
1 2 Sztuczne sieci neuronowe Sztuczna sieć neuronowa (NN ang. Neural Network) to bardzo uproszczon model rzeczwistego biologicznego sstemu nerwowego. Sztuczną sieć neuronową można zdefiniować jako zespolon zbiór wielu elementarnch jednostek obliczeniowch, zwanch neuronami, uporządkowanch w ten sposób, ab razem mogł wkonać zadan problem numerczn. Najważniejszą instrukcją neuronu jest funkcja aktwacji, która definiuje relację pomiędz sgnałami przesłanmi do neuronu, a jego reakcja w postaci sgnału wjściowego. 3 Model neuronu drzewo dendrtów akson Biologiczn neuron Ciało komórki snaps W mózgu ludzkim: 0 neuronów 0 5 połączeń (t) x 2 (t).. x n(t) wejścia wagi połączeń w w 2 w n w 0 + funkcja aktwacji neuronu f(u) n u(t)= Σ x iwi + w 0 =f(u)= dla u > 0 i= 0 dla u 0 (t) wjście
2 0 Cech charakterstczne biologicznego układu nerwowego wsoki stopień równoległości przesłu impulsów; umiejętność radzenia sobie z informacją niepełną, zaszumioną lub niespójną; małe rozmiar i małe zużcie energii; elastczność działania przejawiająca się, jako proces uczenia, czli umiejętność dostosowwania się do zmiennch stuacji bez potrzeb zaprogramowania jego działania; duża odporność na uszkodzenia i obumieranie części komórek. Zalet sztucznch sieci neuronowch Zdolność nauki sieci (adaptacjność) na podstawie przedstawionch przkładów. Analogia do człowieka uczącego się na podstawie doświadczeń i powtarzania informacji, np. nauka alfabetu Zdolność uogólniania (samoorganizacji) przez sieć neuronową zjawisk (klasfikacji) na podstawie przedstawianch w trakcie nauki przkładów. Analogia do kojarzenia przez człowieka faktów, np. podział pewnch obiektów, zjawisk na zbliżone do siebie grup Zdolność do interpretacji zjawisk i zależności o którch informacje są niekompletne lub zawierają błęd. 2
3 2 Zalet sztucznch sieci neuronowch Równoległość przetwarzania informacji, gwarantująca bardzo szbkie działanie sieci neuronowej. Np. komputer neuronow wkorzstwan w sstemach rozpoznawania mow i przetwarzania obrazów wkonuje 20-tera operacji na sekundę. Niski koszt budow neurokomputera w powiązaniu z jego szbkością przetwarzania informacji. Komputer tradcjn ma zazwczaj jeden lub kilka bardzo silnch, ale dość drogich procesorów, natomiast neurokomputer to zestaw wielu bardzo prostch procesorów (neuronów) i równocześnie bardzo tanich. 3 Zalet sztucznch sieci neuronowch Odporność na uszkodzenia układów. Neurokomputer w przpadku utrat części połączeń (neuronów) niekoniecznie musi funkcjonować błędnie. Wnika to ze znacznego zmasowania liczb elementów przetwarzającch informację. 3
4 4 Zastosowania sztucznch sieci neuronowch Klasfikacja (kojarzenie danch). Na podstawie danch uczącch opisującch zdarzenia mogące podlegać klasfikacji, sieć ucz się przporządkowwania zdarzeń do danej klas. Wkrwanie grup (analiza danch) i wdobwanie cech. Zdolność do wkrwania grup umożliwia np. separację sgnału właściwego od szumów (filtracja sgnałów), a wdobwanie cech redukcję wmiaru danch (kompresja danch). 5 Zastosowania sztucznch sieci neuronowch Aproksmacja. Na podstawie znajomości niektórch punktów aproksmowanej krzwej sieć ucz się kształtu wkresu całej funkcji, nabierając zdolności do uogólnień. Predkcja. Zdolność do prognozowania danch wjściowch (przszłch zdarzeń) na podstawie nauczonch danch wejściowch skorelowanch z odpowiadającmi im danmi wjściowmi. Optmalizacja. Zdolność do rozwiązwania większości zadań z zakresu optmalizacji (minimalizacja zadanch funkcji kosztów), w tm również kombinatorcznej. 4
5 6 Zastosowania sztucznch sieci neuronowch Układ sterujące. Na podstawie nauczonch danch opisującch prawidłowe reakcji układu sterującego na określone stuacje, sieć zdolna jest w sposób automatczn interpretować bieżącą stuację i odpowiednio do niej zareagować. Rozpoznawanie i odtwarzanie obrazów. Sieć nauczona na odpowiednio dużej liczbie przkładów jest w stanie rozpoznać obraz i przpisać go do danej grup. Pamięć. Sieć neuronową można wkorzstać jako pamięć dla określonch danch. 7 Funkcja aktwacji Funkcja liniowa = f(u)=u Funkcja sigmoidalna unipolarna u = f ( u) = βu + e (t) f(u) Funkcja progowa unipolarna i bipolarna wagi dla upołączeń > 0 funkcja aktwacji dla u > 0 neuronu = = 0 dla u 0 dla u 0 (t) w w 0 x 2 (t) w 2 (t) - + u -f(u) u.. x n(t) - - w n wejścia Funkcja sigmoidalna bipolarna βu βu e e = tgh( βx) = βu βu e + e wjście - u - u - - 5
6 8 Metod uczenia Pod pojęciem uczenia neuronów (sieci) rozumie się wmuszanie na nich (na niej) określonego reagowania na zadane sgnał wejściowe Trb uczenia: uczenie z nauczcielem (supervised learning) oprócz sgnałów wejściowch tworzącch wektor x znane są również pożądane sgnał wjściowe neuron d i tworzące wektor d, a dobór wag neuronu musi bć przeprowadzon w taki sposób, ab aktualn sgnał wjściow neuronu i bł najbliższ wartości zadanej d i. x Sieć neuronowa W obliczanie odległości ρ( d,) pożądana odpowiedź d 9 Metod uczenia uczenie bez nauczciela (unsupervised learning). W tm przpadku pożądane wartości d i sgnału wjściowego neuronu nie są znane. Dobór wag odbwa się wted albo prz wkorzstaniu korelacji sgnałów uczącch (metod hebbowskie) bądź z wkorzstaniem konkurencji neuronów (strategia Winner Takes All WTA lub Winner Takes Most WTM) x Sieć neuronowa W Algortm doboru wag 6
7 22 Modele neuronów - perceptron Reguła perceptronu Jeśli wartość i równa się wartości zadanej d i, wówczas wagi w ij pozostają niezmienione. Jeśli wartość i = 0, a odpowiadająca mu wartość zadana d i =, wówczas uaktualnianie wag odbwa się zgodnie ze wzorem: w ij (k +) = w ij (k) + x j. Jeśli wartość i =, a odpowiadająca mu wartość zadana d i = 0, wówczas uaktualnianie wag odbwa się zgodnie ze wzorem: w ij (k +) = w ij (k) x j. N ui = wij x j j= 0 i = f ( ui ) = 0 Para ucząca: x, d i E = k = p ( k) ( k) ( i di ) Metoda uczenia: z nauczcielem, bezgradientowa dla ui > 0 dla ui 0 Reguła Widrowa-Hoffa wij ( k + ) = wij ( k) + wij wij = x j ( d ) i i 2 27 E 20 Modele neuronów neuron sigmoidaln E=f(w,w2) 0.24 βu dwij = ηδ i x j dt - E E Uaktualnianie wag neuronu sigmoidalnego wij ( k + ) = wij ( k) ηδix j lub η ( 0,) = f ( u) = + e df ( u) = βf ( u) ( f ( u) ) du βu βu e e = tgh( βu) = βu βu e + e df ( u) = β du 2 ( f ( u )) E = ( ) 2 i d i 2 N i = f ( ui ) = f wij x j j = 0 de df ( ui ) j E = = ei x j dwij dui df ( ui ) δ i = ei dui de E = dw je = δi x j ei = i di 7
8 40 Sztuczne sieci neuronowe Sieć jednokierunkowa jednowarstwowa Sieć jednokierunkowa wielowarstwowa Sieć komórkowa Sieć rekurencjna 4 Sieć neuronowa jednokierunkowa jednowarstwowa Neuron ułożone w jednej warstwie działają niezależnie od siebie możliwości sieci są ograniczone do możliwości pojednczch neuronów, czli klasfikacji sgnałów liniowo separowalnch (patrz perceptron) Dobór wag następuje w procesie uczenia, czli dla danego wejściowego wektora uczącego x dopasowanie sgnałów wjściowch i do wartości zadanch d i. Miarą dopasowania jest funkcja celu, która prz p wektorach uczącch (x, d) zdefiniowana jest jako: p M ( k) ( k) 2 E = ( i di ) 2 k = i = 8
9 42 Sieć neuronowa jednokierunkowa jednowarstwowa Ograniczenia zastosowań sieć dwuwarstwowa w x 2 w 0 w w 2 w 2 x w w 20 w w 2 0 w w 22 2 u =0 u 2 =0 x x 2 x 0 0 x d Sieć neuronowa jednokierunkowa wielowarstwowa Sieć wielowarstwową tworzą neuron ułożone w wielu warstwach, prz czm oprócz warstw wejściowej i warstw wjściowej istniej co najmniej jedna warstwa ukrta. Celem uczenia sieci jest określenie wartości wag w ij (k) wszstkich warstw sieci w taki sposób, ab prz zadanm wektorze wejściowm x uzskane na wjściu wartości sgnałów i odpowiadał z dostateczną dokładnością wartościom zadanm d i Schemat sieci o jednej warstwie ukrtej N () v i = f w i x j () j = 0 K (2) k = f wki vi i= 0 k K N (2) () f wki f w ij x j i = 0 j = 0 (3) = (2) 9
10 47 Algortm propagacji wstecznej. Pobranie ze zbioru uczącego par wektorów x, d (wejścieoczekiwane wjście). 2. Analiza sieci w zwkłm kierunku przepłwu sgnałów Schemat sieci o jednej warstwie ukrtej Dla sgnałów wejściowch sieci równch elementom wektora x otrzmuje się wartości sgnałów wjściowch neuronów warstw ukrtch oraz warstw wjściowej. Wznacza się sgnałów błędu wjścia sieci jako różnicę wartości aktualnej (element wektora ) i wartości oczekiwanej (element wektora d) Oblicza się pochodne funkcji aktwacji w poszczególnch warstwach 48 Algortm propagacji wstecznej 3. Utworzenie sieci propagacji wstecznej przez odwrócenie kierunku przepłwu sgnałów, zastąpienie funkcji aktwacji przez ich pochodne przłożenie na błm wjściu (obecnie wejściu) Schemat sieci o jednej warstwie wznaczonch wcześniej sgnałów ukrtej błędu wjścia. Dla tak skonstruowanej sieci obliczenie sgnałów błędu przeniesienia do węzłów poszczególnch wag 4. Adaptacja wag na podstawie wników uzskanch w punkcie 2 i 3 5. Powższe kroki należ powtórzć dla wszstkich par wektorów uczącch x, d. 6. Proces należ kontnuować do spełnienia warunków zatrzmania algortmu gd norma gradientu spadnie poniżej pewnej granic ε określającej dokładność procesu uczenia. 0
11 66 Aproksmacja.. Na podstawie znajomości niektórch punktów aproksmowanej krzwej sieć ucz się kształtu wkresu całej funkcji, nabierając zdolności do uogólnień. Np. na podstawie danch pomiarowch sieć może generalizować przebieg funkcji w n-wmiarowej przestrzeni (np. oporu ruchu pojazdu od jego prędkości, prędkości i kierunku wiatru, rodzaju podłoża, kąta nachlenia jezdni). 67 Rozpoznanie i klasfikacja wzorców. Ekstrakcja cech np. w przpadku rozpoznawania figur dwuwmiarowch dane dotczące kształtu figur są prz wkorzstanie transformacji Fouriera przetwarzane w sposób uniezależniając obraz od skali, przesunięcia i rotacji (deskrptor wzorców). 2. Następnie określona liczba k najbardziej znaczącch składników transformacji podawana jest na sieć neuronową wielowarstwową. Liczba węzłów wejściowch jest równa liczbie deskrptorów Fouriera branch pod uwagę w klasfikacji, a liczba neuronów wjściowch równa liczbie klas (np. trójkąt, kwadrat, koła lub samolot, czołgi, samochod).
12 68 Kompresja danch. Kompresja tpu stratnego. Sieć z jedną warstwą ukrtą charakterzująca się tm, że: liczna neuronów wjściowch jest równa liczbie węzłów wejściowch n. Odpowiada ona np. liczbie pikseli fragmentu obrazu poddawanemu kompresji, którego stopnie szarości tworzą składowe wektora wejściowego x liczba neuronów q w warstwie ukrtej jest mniejsza od liczb neuronów wjściowch. Wobec q<n warstwa ukrta zawiera mniejszą liczbę informacji od warstw wejściowej. Warstwa wejściowa i warstwa ukrta stanowią kompresję danch, a warstwa ukrta i wjściowa dekompresję. wektor sgnałów warstw ukrtej (sgnał skompresowane: 69 Kompresja danch () h = W x wektor sgnałów wjściowch (sgnał zdekompresowane) ) (2) (2) () x = W h = W W x 2
13 70 Identfikacja obiektów dnamicznch f ( x( k), u( )) ( x( )) x ( k + ) = k ( k) = g k Problem identfikacji: zbudowanie modelu obiektu dnamicznego określenie jego parametrów, ab odpowiedzi obiektu (k) i jego modelu (k) na to samo wmuszenie bł równe z określoną tolerancją. ( k) ( k) ε Źródło: S. Osowski Sieci neuronowe do przetwarzania informacji 7 Identfikacja obiektów dnamicznch. Wkorzstanie sieci neuronowej sigmoidalnej wielowarstwowej 2. Wkorzstanie sgnałów opóźnionch sstemu dnamicznego jako sgnałów wejściowch sieci. Źródło: S. Osowski Sieci neuronowe do przetwarzania informacji 3
14 72 Predkcja Prognozowanie szeregów czasowch na podstawie cech procesu podlegającego predkcji. Np. prognozowanie wskaźników giełdowch na podstawie danch o gospodarce, stuacji politcznej, standardowch zachowań inwestorów, dotchczasowe ogólnch trendów na giełdzie. Danmi do uczenia są wskaźniki giełdowe, gospodarcze, politczne z okresów poprzednich ujęte w postaci ciągów czasowch. 73 Predkcja Prognozowanie szeregów czasowch na podstawie cech procesu podlegającego predkcji. Prognozowanie obciążeń godzinnch sstemu elektroenergetcznego (Metod sztucznej inteligencji w elektroenergetce. P. Helt i inni, Wd. Pol. Warszawskiej). Rozwiązanie: sieć z dwoma warstwami ukrtmi uczona metodą propagacji wstecznej o: 0 wejściach (tp dnia (), obciążenia o godz. t oraz t- w trzech poprzednich dniach (6), o godz. t- tego samego dnia (), 5 oraz 0 neuronach w warstwach ukrtch, neuronie wjściowm. Wnik działania sieci : średni błąd predkacji,29% 4
15 74 Diagnostka i detekcja Na podstawie danch mierzalnch np. prądów, napięć, moc - oraz ewentualnie ich wstępnego przetworzenia (np. określenie amplitud harmonicznch i ich rzędu w przebiegu prądu zasilania silnika) można prowadzić prz pomoc odpowiednio wtrenowanej sieci neuronowej diagnostkę prac urządzeń technicznch oraz detekcję zakłóceń. 75 Diagnostka i detekcja Przkład: detekcja uszkodzeń transformatora (Metod sztucznej inteligencji w elektroenergetce. P. Helt i inni, Wd. Pol. Warszawskiej). sieć neuronowa z jedną warstwą ukrtą sgnał wejściowe (0) - temperatura transformatora, prąd stron pierwotnej i wtórnej transformatora, prąd różnicow stron pierwotnej i wtórnej, prędkość przepłwu i poziom oleju w kadzi, neuron warstw wjściowej - 7 identfikujące 7 rodzajów stanu awarjnego transformatora: przeciążenie, 3 rodzaje zwarć, nadmiern przrost temperatur z sgnalizacją lub włączeniem, stan normaln, 8 neuronów w warstwie ukrtej. 5
16 76 Sterowanie i optmalizacja Sterowanie urządzeniem technicznm prz optmalizacji określonego wskaźnika jakości sterowania. Przkład: optmalizacja nastawień baterii kondensatorów w elektroenergetcznch sieciach rozdzielczch (Metod sztucznej inteligencji w elektroenergetce. P. Helt i inni, Wd. Pol. Warszawskiej). Obiekt sterowania: rozległa sieć, którą podzielono na 6 podsieci. W różnch miejscach sieci znajduje się 6 baterii kondensatorów do kompensacji moc biernej, każda bateria ma 4 poziom regulacji moc biernej. 77 Sterowanie i optmalizacja Cel: Takie sterowanie bateriami kondensatorów w zależności od aktualnch i prognozowanch obciążeń, ab zmaksmalizować oszczędności uzskane dzięki optmalizacji nastawień baterii kondensatorów dane z optmalizacji analitcznej stanowił wzorce uczące. Rozwiązanie: Dwa etap prac sieci neuronowej: prognozowanie profili obciążenia każdej podsieci: dla każdej podsieci sieć neuronowa o 4 wejściach(p, Q, V, nc) i 24 neuronach w warstwie ukrtej, sterowanie każdej kondensatorów: dla każdej baterii sieć 6- wejściowa (profil obciążenia każdej podsieci) o 32 neuronach w warstwie ukrtej i 4 neuronach wjściowch (4 stopnie regulacji moc baterii). 6
x 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A
Sieci neuronowe model konekcjonistczn Plan wkładu Perceptron - przpomnienie Uczenie nienadzorowane Sieci Hopfielda Perceptron w 3 Σ w n A Liniowo separowaln problem klasfikacji ( A, A ) Problem XOR 0 0
Bardziej szczegółowoPlan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s
Sieci neuronowe model konekcjonistczn Plan wkładu Mózg ludzki a komputer Modele konekcjonistcze Sieć neuronowa Sieci Hopfielda Mózg ludzki a komputer Twój mózg to komórek, 3 2 kilometrów przewodów i (biliard)
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 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 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 szczegółowoWstęp do sztucznych sieci neuronowych
Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna
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 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 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 szczegółowoObliczenia Naturalne - Sztuczne sieci neuronowe
Literatura Wprowadzenie Obliczenia Naturalne - Sztuczne sieci neuronowe Paweł Paduch Politechnika Świętokrzyska 13 marca 2014 Paweł Paduch Obliczenia Naturalne - Sztuczne sieci neuronowe 1 z 43 Plan wykładu
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 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 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 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 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 szczegółowoInteligentne systemy informacyjne
Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz
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 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 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 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 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 szczegółowoMETODY INTELIGENCJI OBLICZENIOWEJ wykład 5
METODY INTELIGENCJI OBLICZENIOWEJ wykład 5 1 2 SZTUCZNE SIECI NEURONOWE cd 3 UCZENIE PERCEPTRONU: Pojedynczy neuron (lub 1 warstwa neuronów) typu percep- tronowego jest w stanie rozdzielić przestrzeń obsza-
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 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 szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowo11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA
OBWODY SYGNAŁY Wkład : Czwórniki klasfikacja, równania. CZWÓRNK KLASYFKACJA, RÓWNANA.. WELOBEGNNK A WELOWROTNK CZWÓRNK Definicja. Jeśli: wielobiegunnik posiada parzstą liczbę zacisków (tzn. mn) zgrupowanch
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 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 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 szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoOptyka Fourierowska. Wykład 7 Filtracja przestrzenna
Optka Fourierowska Wkład 7 Filtracja przestrzenna Optczna obróbka inormacji Układ liniowe są bardzo użteczne w analizie układów obrazującch Koncepcja ta pozwala na analizę pól optcznch w dziedzinie częstości
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 szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
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 szczegółowoProgramowanie nieliniowe optymalizacja funkcji wielu zmiennych
Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu
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 szczegółowoElementy cyfrowe i układy logiczne
Element cfrowe i układ logiczne Wkład 6 Legenda Technika cfrowa. Metod programowania układów PLD Pamięć ROM Struktura PLA Struktura PAL Przkład realizacji 3 4 5 6 7 8 Programowanie PLD po co? ustanowić
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 szczegółowoOCENA DZIAŁANIA AE. METODY HEURYSTYCZNE wykład 4 LOSOWOŚĆ W AE KRZYWE ZBIEŻNOŚCI ANALIZA STATYSTYCZNA:
METODY HEURYSTYCZNE wykład 4 OCENA DZIAŁANIA AE 1 2 LOSOWOŚĆ W AE Różne zachowanie algorytmuw poszczególnych uruchomieniach przy jednakowych ustawieniach parametrów i identycznych populacjach początkowych.
Bardziej szczegółowoELEMENTY TEORII ZBIORÓW ROZMYTYCH
ELEMENTY TEORII ZBIORÓW ROZMYTYCH OPRACOWAŁ: M. KWIESIELEWICZ POJĘCIA NIEPRECYZYJNE ODDZIAŁYWANIA CZŁOWIEK-OBIEKT TECHNICZNY OTOCZENIE (Hoang 990: człowieka na otoczenie, np.: ergonomiczna konstrukcja
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 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 Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe cz. 2 1 Plan wykładu Uczenie bez nauczyciela (nienadzorowane). Sieci Kohonena (konkurencyjna) Sieć ze sprzężeniem zwrotnym Hopfielda. 2 Cechy uczenia
Bardziej szczegółowoPrzedziały ufności i testy parametrów. Przedziały ufności dla średniej odpowiedzi. Interwały prognoz (dla przyszłych obserwacji)
Wkład 1: Prosta regresja liniowa Statstczn model regresji liniowej Dane dla prostej regresji liniowej Przedział ufności i test parametrów Przedział ufności dla średniej odpowiedzi Interwał prognoz (dla
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 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 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 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 szczegółowoKlucz odpowiedzi i schemat punktowania do próbnego zestawu egzaminacyjnego z zakresu przedmiotów matematyczno-przyrodniczych
Klucz odpowiedzi i schemat punktowania do próbnego zestawu egzaminacjnego z zakresu przedmiotów matematczno-przrodniczch Z a d a n i a z a m k n i ę t e Numer zadania 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 0 3
Bardziej szczegółowoAutomatyka. Treść wykładów: Układ sekwencyjny synchroniczny. Układ kombinacyjny AND. Układ sekwencyjny asynchroniczny. Układ sekwencyjny synchroniczny
Automatka dr inż. Szmon Surma szmon.surma@polsl.pl zawt.polsl.pl/studia pok. 202, tel. +48 32 603 4136 Treść wkładów: 1. Podstaw automatki 2. Układ kombinacjne, 3. Układ sekwencjne snchronicze, 4. Układ
Bardziej szczegółowoAutomatyka. Treść wykładów: Układ kombinacyjny AND. Układ sekwencyjny synchroniczny. Układ sekwencyjny asynchroniczny. Układ sekwencyjny synchroniczny
Treść wkładów: Automatka dr inż. Szmon Surma szmon.surma@polsl.pl zawt.polsl.pl pok. 202, tel. +48 32 603 4136 1. Podstaw automatki 2. Układ kombinacjne, 3. Układ sekwencjne snchronicze, 4. Układ sekwencjne
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 szczegółowoSieci M. I. Jordana. Sieci rekurencyjne z parametrycznym biasem. Leszek Rybicki. 30 listopada Leszek Rybicki Sieci M. I.
Sieci M. I. Jordana Sieci rekurencyjne z parametrycznym biasem Leszek Rybicki 30 listopada 2007 Leszek Rybicki Sieci M. I. Jordana 1/21 Plan O czym będzie 1 Wstęp do sieci neuronowych Neurony i perceptrony
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 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 szczegółowoPomiar bezpośredni przyrządem wskazówkowym elektromechanicznym
. Rodzaj poiaru.. Poiar bezpośredni (prost) W przpadku poiaru pojednczej wielkości przrząde wskalowan w jej jednostkach wartość niedokładności ± określa graniczn błąd przrządu analogowego lub cfrowego
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 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 szczegółowoSieć Hopfielda. Sieci rekurencyjne. Ewa Adamus. ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych.
Sieci rekurencyjne Ewa Adamus ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych 7 maja 2012 Jednowarstwowa sieć Hopfielda, z n neuronami Bipolarna funkcja przejścia W wariancie
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 szczegółowoWykorzystanie sieci neuronowych w kryptologii.
Wkorzstanie sieci neuronowch w krptologii. Piotr Kotlarz Uniwerstet Kazimierza Wielkiego, Bdgoszcz piotrk@ukw.edu.pl Promotor rozpraw doktorskiej dr hab. Zbigniew Kotulski /7 Plan prezentacji -Obszar zastosowań
Bardziej szczegółowoKwartal nik naukowy ISNN ; e-isnn Inżynieria Rolnicza 2014: 1(149): Inżynieria Rolnicza. Strona:
Inżnieria Rolnicza 2014: 1(149):16-173 Kwartal nik naukow ISNN 2083-187; e-isnn 2449-999 Inżnieria Rolnicza Strona: http://ir.ptir.org DOI: http://dx.medra.org/10.1464/ir.2014.149.018 BADANIE WPŁYWU ZAWARTOŚCI
Bardziej szczegółowoWykład 1: Wprowadzenie do sieci neuronowych
Wykład 1: Wprowadzenie do sieci neuronowych Historia badań nad sieciami neuronowymi. - początki: badanie komórek ośrodkowego układu nerwowego zwierząt i człowieka, czyli neuronów; próby wyjaśnienia i matematycznego
Bardziej szczegółowoCykl III ćwiczenie 3. Temat: Badanie układów logicznych
Ckl III ćwiczenie Temat: Badanie układów logicznch Ćwiczenie składa się z dwóch podtematów: Poziom TTL układów logicznch oraz Snteza układów kombinacjnch Podtemat: Poziom TTL układów logicznch. Wprowadzenie
Bardziej szczegółowoWydział Elektryczny. Katedra Automatyki i Elektroniki. Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: TECHNIKA CYFROWA 2 TS1C300 020
Politechnika Białostocka Wdział lektrczn Katedra Automatki i lektroniki Instrukcja do ćwiczeń laboratorjnch z przedmiotu TCHNIKA CFROWA TSC Ćwiczenie Nr CFROW UKŁAD KOMUTACJN Opracował dr inż. Walent Owieczko
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 szczegółowoObliczenia inteligentne Zadanie 4
Sieci SOM Poniedziałek, 10:15 2007/2008 Krzysztof Szcześniak Cel Celem zadania jest zaimplementowanie neuronowej samoorganizującej się mapy wraz z metodą jej nauczania algorytmem gazu neuronowego. Część
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING NEURONOWE MAPY SAMOORGANIZUJĄCE SIĘ Self-Organizing Maps SOM Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowo19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego
19. Wbrane układ regulacji Przkład 19.1 19.1. Korekcja nieliniowa układów w K s 2 Rs. 19.1. Schemat blokow układu orginalnego 1 Zbadać możliwość stabilizacji układu za pomocą nieliniowego prędkościowego
Bardziej szczegółowo2.4. Algorytmy uczenia sieci neuronowych
2.4. Algorytmy uczenia sieci neuronowych Prosta struktura sieci jednokierunkowych sprawia, że są najchętniej stosowane. Ponadto metody uczenia ich należą również do popularnych i łatwych w realizacji.
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 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 szczegółowoSztuczne siei neuronowe - wprowadzenie
Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 2 Sztuczne siei neuronowe - wprowadzenie Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika Poznańska Poznań, 2 Wstęp
Bardziej szczegółowoWektory. P. F. Góra. rok akademicki
Wektor P. F. Góra rok akademicki 009-0 Wektor zwiazan. Wektorem zwiazanm nazwam parę punktów. Jeżeli parę tę stanowią punkt,, wektor przez nie utworzon oznaczm. Graficznie koniec wektora oznaczam strzałką.
Bardziej szczegółowoDEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Stanisław PŁACZEK* DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI W artykule
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoLABORATORIUM PODSTAW AUTOMATYKI
LABORATORIUM PODSTAW AUTOMATYKI INSTRUKCJA DO ĆWICZENIA 4.Wstęp - DOBÓR NASTAW REGULATORÓW opr. dr inż Krzsztof Kula Dobór nastaw regulatorów uwzględnia dnamikę obiektu jak i wmagania stawiane zamkniętemu
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 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 szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoGrafika 2D. Przekształcenia geometryczne 2D. opracowanie: Jacek Kęsik
Grafika 2D Przekształcenia geometrczne 2D opracowanie: Jacek Kęsik Wkład obejmuje podstawowe przekształcenia geometrczne stosowane w grafice komputerowej. Opisane są w nim również współrzędne jednorodne
Bardziej szczegółowoSRL-sem6-W5-IRL3ab - Cykl eksploatacyjny statków powietrznych w lotnictwie komunikacyjnym - rotacje
SRL-sem6-W5-IRL3ab - Ckl eksploatacjn statków powietrznch w lotnictwie komunikacjnm - rotacje Metod szeregowania zadań Metod nieformalne Metod formalne początkowo harmonogram Gantta Johnson S. M.: Optimal
Bardziej szczegółowoELEMENTY SZTUCZNEJ INTELIGENCJI. Sztuczne sieci neuronowe
ELEMENTY SZTUCZNEJ INTELIGENCJI Sztuczne sieci neuronowe Plan 2 Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie regułą delta Perceptron wielowarstwowy i jego uczenie
Bardziej szczegółowo12. FUNKCJE WIELU ZMIENNYCH. z = x + y jest R 2, natomiast jej
1. FUNKCJE WIELU ZMIENNYCH 1.1. FUNKCJE DWÓCH ZMIENNYCH Funkcją dwóch zmiennch określoną w zbiorze D R nazwam przporządkowanie każdej parze liczb () D dokładnie jednej liczb rzeczwistej z. Piszem prz tm
Bardziej szczegółowoSieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 10 Wybrane zastosowania;
Sieci Neuronowe Wykład 10 Wybrane zastosowania; wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz, L. Rutkowski i
Bardziej szczegółowof x f y f, jest 4, mianowicie f = f xx f xy f yx
Zestaw 14 Pochodne wŝszch rzędów Niech będzie dana funkcja x f określona w pewnm obszarze D Przpuśćm Ŝe f x istnieją pochodne cząstkowe tej funkcji x x Pochodne cząstkowe tch pochodnch jeŝeli istnieją
Bardziej szczegółowoSZTUCZNE SIECI NEURONOWE
INTELIGENTNE TECHNIKI KOMPUTEROWE wykład SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek
Bardziej szczegółowoEkstrema funkcji dwóch zmiennych
Wkład z matematki inżnierskiej Ekstrema funkcji dwóch zmiennch JJ, IMiF UTP 18 JJ (JJ, IMiF UTP) EKSTREMA 18 1 / 47 Ekstrema lokalne DEFINICJA. Załóżm, że funkcja f (, ) jest określona w pewnm otoczeniu
Bardziej szczegółowo25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx
5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.
Bardziej szczegółowoSIECI REKURENCYJNE SIECI HOPFIELDA
SIECI REKURENCYJNE SIECI HOPFIELDA Joanna Grabska- Chrząstowska Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA SPRZĘŻENIE ZWROTNE W NEURONIE LINIOWYM sygnał
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 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 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 szczegółowoRównania różniczkowe
Równania różniczkowe I rzędu Andrzej Musielak Równania różniczkowe Równania różniczkowe I rzędu Równanie różniczkowe pierwszego rzędu to równanie w którm pojawia się zmienna x, funkcja tej zmiennej oraz
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 szczegółowoSztuczne sieci neuronowe. Uczenie, zastosowania
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe. Uczenie, zastosowania Inteligencja Sztuczne sieci neuronowe Metody uczenia Budowa modelu Algorytm wstecznej propagacji błędu
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 8. SZTUCZNE SIECI NEURONOWE INNE ARCHITEKTURY Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska SIEĆ O RADIALNYCH FUNKCJACH BAZOWYCH
Bardziej szczegółowoMetody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
Bardziej szczegółowoZasady budowania prognoz ekonometrycznych
Zasad budowania prognoz ekonometrcznch Klasczne założenia teorii predkcji 1. Znajomość modelu kształtowania się zmiennej prognozowanej Znajomość postaci analitcznej wstępującch zależności międz zmiennmi
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 szczegółowo