Sztuczne sieci neuronowe
|
|
- Nadzieja Małecka
- 7 lat temu
- Przeglądów:
Transkrypt
1 Sztuczne sieci neuronowe Bartłomiej Goral ETI 9.1 INTELIGENCJA Inteligencja naturalna i sztuczna. Czy istnieje potrzeba poznania inteligencji naturalnej przed przystąpieniem do projektowania układów sztucznej inteligencji? Cechy naturalnej inteligencji. 1
2 INTELIGENCJA Inteligencja jako cecha indywidualna jest zmienna w długich cyklach (kilka lat). Emocje zmieniają się w ciągu godzin lub minut, nastroje w ciągu dni lub godzin. Definicje inteligencji naturalnej Sir Francis Galton (1883) inteligencja: energia działania i wraŝliwość umysłowa. Alfred Binet (1905) kluczowa zdolność intelektualna umiejętno tność dokonywania sądów s zdrowy rozsądek. Myślenie inteligentne ukierunkowanie, przystosowanie i kontrola. Inteligencja przystosowanie się do nowych okoliczności i zadań. Zdolności poznawcze: nabywanie doświadczenia, wnioskowanie o relacjach i wnioskowanie o współzaleŝnościach. Nabywanie doświadczenia dotyczy sfery: poznawczej, emocjonalnej i motywacyjnej. Wnioskowanie o relacjach: dostrzeganie abstrakcyjnych zaleŝności między obiektami lub/i sytuacjami. Wnioskowanie indukcyjne. INTELIGENCJA Wnioskowanie o współzaleŝnościach: wprowadzenie reguł następstwa zdarzeń i współwystępowania. 2
3 Inteligencja jest bardzo ogólną zdolnością umysłową obejmującą umiejętność rozumowania, planowania, rozwiązywania zagadnień, abstrakcyjnego myślenia, rozumienia złoŝonych zagadnień, szybkiego uczenia się i uczenia się w oparciu własne doświadczenia Gottfredson (1997) INTELIGENCJA Z tej definicji wynika, Ŝe inteligencję moŝna podzielić na dwie podstawowe zdolności: umiejętność radzenia sobie w złoŝonych sytuacjach i w nowych sytuacjach. SZTUCZNA INTELIGENCJA Czy moŝna utworzyć sztucznąświadomość lub zdrowy rozsądek? Czy moŝna stworzyć sztuczną inteligencję ogólną? Zwolennicy słabej sztucznej inteligencji dają odpowiedź przeczącą twierdząc, Ŝe ludzie istnieją w wyniku pewnego zbiegu okoliczności, którego sztucznie nie moŝna odtworzyć. Zwolennicy silnej sztucznej inteligencji (computational theory of mind) twierdzą, Ŝe w przyszłości będzie moŝliwe utworzenie sztucznej inteligencji posiadającej wszystkie cechy inteligencji naturalnej. Pozostaje pytanie co do celowości ci i etyczności ci takiego działania. ania. 3
4 Sieć neuronowa? Czym jest sieć neuronowa: Sieć komórek neuronowych Ŝyjącego organizmu System równoległego przetwarzania informacji zawierający elementy przetwarzające (zwane neuronami) mające lokalną pamięć i zdolne do lokalnego przetwarzania sygnałów wejściowych. Elementy te są ze sobą połączone jednokierunkowymi kanałami przesyłania sygnałów. KaŜdy neuron generuje jeden sygnał wyjściowy, który jest równolegle propagowany do dowolnej liczby innych elementów sieci. Proces przetwarzania sygnałów wejściowych w elemencie moŝe być zdefiniowany w dowolny sposób jednak musi być całkowicie lokalny. Znaczy to, Ŝe wynik działania neuronu zaleŝy tylko od sygnałów wejściowych i lokalnej pamięci elementu. Najlepsze rozwiązanie problemu jeśli nie jest znane jego rzeczywiste dokładne rozwiązanie. Zastosowania sieci neuronowych Podstawowe kategorie zastosowań sztucznych sieci neuronowych: aproksymacja i interpolacja, rozpoznawanie i klasyfikacja, kompresja, predykcja, identyfikacja i sterowanie, asocjacja. 4
5 Biologiczne inspiracje Pierwowzorem i jednocześnie niedościgłym wzorem sztucznych sieci neuronowych był ludzki mózg. Objętość ~ 1400 cm3 Powierzchnia ~ 2000 cm2 Masa ~ 1.5 kg Liczba neuronów ~ Liczba połączeń ~ Długość połączeń ~ 0.01mm do 1m Częstotliwość ~ Hz Liczba operacji ~ /sekundę Biologiczne inspiracje Fragment systemu neuronowego 5
6 Neuron Dendryt Synapsa Soma Akson Neuron jest specjalizowaną komórką, która pobudzana przez jedno lub wiele wejść wytwarza sygnał wyjściowy przesyłany do innych neuronów. Sygnał wyjściowy zaleŝy od natęŝenia kaŝdego sygnału wejściowego i od natury połączenia na wejściu (synapsy). Niektóre synapsy mogą mieć zdolność pobudzania, inne mogą być hamujące. Rzeczywisty związek między wejściami a wyjściem moŝe być bardzo złoŝony. Neuron Dendryt Synapsa Soma Akson KaŜdy neuron posiada ciało zwane somą, wewnątrz którego znajduje się jądro. Z neuronu wyrastają liczne wypustki, pełniące istotną rolę w komunikowaniu się z innymi komórkami. MoŜna wyróŝnić dwa rodzaje połączeń: liczne, cienkie i gęsto rozkrzewione dendryty grubszy, rozwidlający się na końcu akson 6
7 Neuron Sygnały wejściowe doprowadzone są do komórki za pośrednictwem synaps, zaś sygnał wyjściowy odprowadzany jest za pomocą aksonu i jego licznych odgałęzień (kolateral). Kolaterale docierają do somy i dendrytów innych neuronów, tworząc kolejne synapsy. Transmisja sygnałów wewnątrz systemu nerwowego jest procesem chemiczno-elektrycznym. Przekazywanie impulsu nerwowego od jednej komórki do drugiej opiera się na wydzielaniu pod wpływem nadchodzących od synaps bodźców elektrycznych, substancji chemicznych (neuromediatorów). Substancje te oddziałują na błonę komórki, powodując zmianę jej potencjału elektrycznego. Neuron Poszczególne synapsy róŝnią się wielkością oraz moŝliwościami gromadzenia neuromediatora w pobliŝu błony synaptycznej. Taki sam impuls docierający do wejścia komórki za pośrednictwem róŝnych synaps moŝe powodować silniejsze lub słabsze jej pobudzenie. Miarą stopnia pobudzenia komórki jest stopień polaryzacji jej błony, zaleŝny od sumarycznej ilości neuromediatora wydzielonego we wszystkich synapsach. Wejściom komórki moŝna przypisać współczynniki liczbowe (wagi) odpowiadające ilości neuromediatora wydzielonego jednorazowo na poszczególnych synapsach. 7
8 Neuron Wagi synaptyczne są liczbami rzeczywistymi i mogą przyjmować wartości zarówno dodatnie, jak i ujemne. Jedne z nich oddziałują pobudzająco, a drugie hamująco, powodując utrudnienie pobudzenia komórki przez inne sygnały. Działanie synapsy pobudzającej moŝna zinterpretować przyjmując dodatnią wartość wagi synaptycznej, a synapsy hamującej - wartość ujemną. Neuron W wyniku docierania impulsów wejściowych do poszczególnych synaps i uwolnienia odpowiednich ilości neuromediatora następuje pobudzenie elektryczne komórki. Jeśli zaburzenie równowagi elektrycznej jest niewielkie lub jeśli bilans pobudzeń i hamowań jest ujemny, to na jej wyjściu nie pojawia się Ŝadna zmiana (pobudzenie komórki było mniejsze od progu jej zadziałania). Jeśli suma pobudzeń i hamowań przekracza próg uaktywnienia komórki, to generowany jest impuls nerwowy, przesyłany aksonem do innych neuronów połączonych z daną komórką. Amplituda sygnału jest niezaleŝna od stopnia przekroczenia progu. Po wygenerowaniu impulsu następuje proces refrakcji, podwyŝszenie progu uaktywnienia do wartości nieskończonej i bezpośrednio po wygenerowaniu impulsu neuron przez pewien czas nie moŝe wygenerować następnego. 8
9 Sztuczny neuron Podobnie jak w przypadku układu nerwowego, podstawowym elementem sztucznych sieci neuronowych są sztuczne neurony. Sztuczne neurony są elementami, których właściwości odpowiadają wybranym właściwościom rzeczywistych komórek nerwowych. Sieci neuronowe - historia , , McCulloch Walter Pits Rosenblatt Wightman Widrow Minsky Papert Werbos Hopfield San Diego Model sztucznego neuronu Pierwsza sztuczna sieć neuronowa i pierwszy pracujący neurokomputer Mark I Perceptron Liniowy sieci neuronowe ADALINE (ADAptive LINEar Element) Dowodzą Ŝe jednowarstwowe sieci neuronowe nie mogą być zastosowane do rozwiązania pewnej klasy problemów (XOR) Propozycja nowej metody uczenia - propagacji wstecznej (Error Back Propagation) moŝliwej do zastosowania w przypadku uczenia sieci wielowarstwowych Propozycja sieci rekursywnych (Feed-back network) Pierwsza otwarta konferencja na temat sieci neuronowych (IEEE International Conference on Neural Networks), 1700 uczestników IEEE Transactions on Neural Networks 9
10 Sieci neuronowe - historia MARK I Sieci neuronowe - historia MARK I 10
11 Sieci neuronowe - historia MARK I Rodzaje sieci neuronowych 10 Sztuczne sieci neuronowe Sieci jednokierunkowe Feed-Forward Sieci rekurencyjne Feed-back Sieci samoorganizujące się Self Organizing Liniowe Linear Nieliniowe Nonlinear Sieć Hopfielda Sieć Boltzmana Uczone pod nadzorem Supervised Uczone bez nadzoru Unsupervised Połączone ze sobą wzajemnie neurony tworzą układ określany terminem sztuczna sieć neuronowa. W zaleŝności od połączenia i sposobu organizacji neuronów oraz metody uczenia rozróŝniamy róŝne typy sieci. 11
12 Sieci neuronowe - proces uczenia Algorytm uczenia sieci neuronowej (ang. learning rule, training algorithm) - algorytm doboru wartości wag (ang. weights) i polaryzacji (ang. biases). Celem procesu uczenia jest spowodowanie aby sieć realizowała określone zadania. WyróŜniamy dwie podstawowe strategie uczenia: Uczenie pod nadzorem (ang. supervised learning) Uczenie bez nadzoru (ang. unsupervised learning) W trybie uczenia pod nadzorem dany jest zbiór danych uczących (ang. training set): { x, d 1 1 }, { x 2, d 2 },...,{ x M, d M } gdzie: x i - wektor sygnałów wejściowych (ang. inputs) d i - odpowiadający im wektor zadanych sygnałów wyjściowych (ang. targets, destination) Liniowa sieć neuronowa - Madaline Z pojedynczych elementów Adaline nazywaną Madaline. moŝna zbudować sieć Działanie tej sieci polega najczęściej na tym, Ŝe pojawienie się określonego wektora wejściowego x powoduje powstanie sygnałów wyjściowych y i na wszystkich neuronach. Maksymalny sygnał wyjściowy pojawia się na tym neuronie, którego wektor wag jest najbardziej podobny do wektora wejściowego. Sieć moŝe rozpoznawać S róŝnych klas obiektów. O tym do której klasy naleŝy zaliczyć aktualnie prezentowany wektor, decyduje numer wejścia, na którym pojawia się sygnał wyjściowy o maksymalnej wartości. Neurony dokonujące omówionej tu klasyfikacji nazywane są Grandmother Cells. 12
13 Liniowa sieć neuronowa - Madaline Sieć Madaline dokonuje liniowego odwzorowania sygnału x w sygnał y Sieć moŝe nauczyć się tylko liniowej zaleŝności między sygnałami wejściowymi i wyjściowymi. NaleŜy pamiętać Ŝe znacząca część przekształceń stosowanych w teorii przetwarzania sygnałów jest liniowa. Przekształcenie sygnału x w sygnał y moŝna traktować jako filtrację. Jeśli zaleŝność jest nieliniowa to sieć dokonuje aproksymacji liniowej minimalizującej błąd średniokwadratowy. Nieliniowe sieci jednokierunkowe W zaleŝności od sposobu zorganizowania neuronów sieci mogą być jedno lub wielowarstwowe. Historycznie, jako pierwsze, powstały sieci jednowarstwowe (perceptron) Neurony ułoŝone w jednej warstwie praktycznie działają niezaleŝnie od siebie, ułatwia to proces uczenia ale powoduje równieŝ znaczne ograniczenia ich przydatności (problem w przypadku nieseparowalności liniowej danych uczącyh np. funkcja EXOR) y 1 y 2 y N N 1 N 2 N N ξ x 1 x 2 x 3 x 4 x R 13
14 Sieci wielowarstwowe Ograniczenia sieci jednowarstwowych skłoniły do konstrukcji sieci wielowarstwowej. Problemem był jednak przez długi czas brak efektywnego algorytmu uczenia neuronów znajdujących się w warstwach ukrytych. Rozwiązaniem było zaproponowanie przez Werbos-a w 1970 roku algorytmu wstecznej propagacji (back propagation). Algorytm ten zyskał szeroką popularność dopiero w latach osiemdziesiątych XX wieku. Algorytm back propagation jest rozszerzeniem wcześniej omówionego algorytmu delta rule. Dla zilustrowania algorytmu wstecznej propagacji rozpatrzymy sieć wielowarstwową składającą się z P warstw Sieci wielowarstwowe y 1 y N 1 P N P Warstwa wyjściowa (P) 1 P-1 N P-1 Warstwa ukryta (P-1) ξi p i p Warstwa ukryta (p) 1 1 N 1 Warstwa ukryta (1) x 1 x R Warstwa (0) zawierająca R wejść 14
15 Uczenie sieci wielowarstwowej 1. FAZA INICJALIZACJI: Nadaj początkowe wartości wszystkim wagom 2. FAZA PREZENTACJI: Podaj na wejście sieci wektor próbki uczącej i wyznacz odpowiedź kolejnych warstw aŝ do uzyskania sygnału warstwy wyjściowej 3. FAZA PORÓWNANIA: Wyznacz róŝnicę pomiędzy aktualnym wektorem sygnałów wyjściowych a wartościami zadanymi. Oblicz sumę kwadratów błędów - kryterium Q. Zakończ proces jeśli wartość Q obliczona dla wszystkich próbek uczących jest mniejsza od zadanego błędu lub została osiągnięta maksymalna liczba iteracji. 4. FAZA PROPAGACJI WSTECZNEJ: Oblicz wektor δ dla warstwy wyjściowej i dokonaj jego wstecznej propagacji do wcześniejszych warstw. 5. FAZA UCZENIA: Wyznacz nowe wagi i kontynuuj proces od kroku 2. Właściwości sieci jedno- i wielo- warstwowej Liczba warstw 1 warstwa Typ obszaru decyzyjnego EXOR Przykład Półprzestrzeń ograniczonahiperpłaszczyzną A B B A B A 2 warstwy Obszry wypukłe jednospójne (simpleksy) A B B A B A 3 warstwy Dowolnie złoŝone obszary (niewypukłe, Niejednospójne) A B B A B A 15
16 Sieci wielowarstwowe - modelowanie w Matlabie X = [ ; ]; % Zmienna z wektorami wejściowymi 1 1 D =[ ]; % Zmienna z wartościami wyjściowymi clear net % usunięcie starej definicji sieci 1 0 % Tworzenie sieci z dwoma wejściami, Sieć zawiera 3 neurony w warstwie ukrytej i % 1 neuron w warstwie wyjściowej, funkcje aktywacji sigmoidalne, uczenie metodą trainlm net = newff( minmax(x), [3,1], {'logsig', 'logsig'}, 'trainlm ); net = init(net); % inicjalizacja wag i polaryzacji domyślnymi funkcjami % definiowanie parametrów uczenia net.trainparam.epochs = 1200; net.trainparam.goal = 1e-8; net = train(net, X, D); % uczenie sieci % Oblicz odpowiedź sieci na % dane zawarte w wektorze X Y = sim(net, X); % Odczytaj wartości wag i polaryzacji x x d 0 1 Sieci wielowarstwowe - modelowanie w Matlabie net = newff( minmax(x), [2,1], {'logsig', 'logsig'}, 'trainlm ); 16
17 Sieci wielowarstwowe - modelowanie w Matlabie net = newff( minmax(x), [2,1], {'logsig', 'logsig'}, 'trainlm ); net = newff( minmax(x), [2,1], {'logsig', purelin'}, 'trainlm ); Sieci wielowarstwowe - modelowanie w Matlabie net = newff( minmax(x), [2,1], {'logsig', 'logsig'}, 'trainlm ); net = newff( minmax(x), [2,1], {'logsig', purelin'}, 'trainlm ); 17
18 Sieci wielowarstwowe - modelowanie w Matlabie net = newff( minmax(x), [2,1], {'logsig', 'logsig'}, 'trainlm ); net = newff( minmax(x), [5,1], {'logsig', 'logsig'}, 'trainlm ); Optymalizacja Problem optymalizacji wyraŝany jako problem poszukiwania ekstremum jest podejmowany od wielu wieków. Zastosowanie komputerów pozwoliło na uŝycie metod optymalizacji do rozwiązania zagadnień praktycznych. 18
Wstęp 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 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 szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWstęp do 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 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 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 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 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 szczegółowoSIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe
SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA BUDOWA RZECZYWISTEGO NEURONU
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 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 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 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 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 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 szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD X: Sztuczny neuron Koneksjonizm: wprowadzenie 1943: Warren McCulloch, Walter Pitts: ogólna teoria przetwarzania informacji oparta na sieciach binarnych
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 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 szczegółowoPodstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
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 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 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 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 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 szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g
Bardziej 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 szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej 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 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 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 szczegółowoSeminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman
Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej
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 szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoMATLAB Neural Network Toolbox uczenie sieci (dogłębnie)
MATLAB Neural Network Toolbox uczenie sieci (dogłębnie) WYKŁAD Piotr Ciskowski Neural Network Toolbox: NEURAL NETWORK TOOLBOX NOTACJA Neural Network Toolbox - notacja: pojedynczy neuron: z jednym wejściem
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 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 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 szczegółowoMETODY INTELIGENCJI OBLICZENIOWEJ wykład 4
METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 1 2 SZTUCZNE SIECI NEURONOWE HISTORIA SSN 3 Walter Pitts, Warren McCulloch (1943) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich
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
METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek
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 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 szczegółowoPolitechnika Warszawska
Politechnika Warszawska Programowa realizacja sieci neuronowych Zbigniew Szymański, Stanisław Jankowski grudzień 03 Instytut Informatyki Nowowiejska 5 / 9, 00-665 Warszawa Programowa realizacja sieci neuronowych
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 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 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 szczegółowoSieci neuronowe jako przykład współczesnej technologii informatycznej
Maciej Roszkowski Sieci neuronowe jako przykład współczesnej technologii informatycznej Sieci neuronowe są technologią sztucznej inteligencji, trochę zapomnianą we współczesnym świecie. Współczesny ogólnie
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 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 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 szczegółowoSztuczne sieci neuronowe
Sztuczne sieci neuronowe Paweł Bęczkowski ETI 9.1 1 Czym określamy sztuczną sieć neuronową Sieć neuronowa (sztuczna sieć neuronowa) to ogólna nazwa struktur matematycznych i ich programowych lub sprzętowych
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 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 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 szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoSIECI NEURONOWE Wprowadzenie
SIECI NEURONOWE Wprowadzenie JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA WYKŁADOWCA JOANNA GRABSKA CHRZĄSTOWSKA KATEDRA
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 szczegółowoPolitechnika Lubelska
Politechnika Lubelska Wydział Zarządzania i Podstaw Techniki Temat: Sieć neuronowa do klasyfikacji rodzaju węgla kamiennego. Prowadzący: Wykonał: Dr Popko Artur Marek Harasimiuk ETI 5.3. (gr. lab. 5.5)
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 szczegółowoSieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka
Sieci neuronowe i ich ciekawe zastosowania Autor: Wojciech Jamrozy III rok SMP / Informatyka Klasyczna algorytmika Sortowanie ciągu liczb Czy i ile razy dane słowo wystąpiło w tekście Najkrótsza droga
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Wykład 6. Sieci biologiczne. Wstęp do sztucznych sieci neuronowych. źródła informacji: G. Fischbach Mind and Brain, Scientific American 1994 S. Silbernagl, A. Despopoulos Atlas fizjologii,
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 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 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 szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
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 szczegółowoPodstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6
Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6 I. Funkcje przeznaczone do tworzenia jednokierunkowej sieci neuronowej newff newp newlin - tworzenie wielowarstwowej
Bardziej szczegółowoSystemy Inteligentnego Przetwarzania wykład 1: sieci elementarne
Systemy Inteligentnego Przetwarzania wykład 1: sieci elementarne Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej e-mail: Jacek.Mazurkiewicz@pwr.edu.pl Sprawy formalne konsultacje, p. 225 C-3:
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 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 szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoBudowa i zróżnicowanie neuronów - elektrofizjologia neuronu
Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu Neuron jest podstawową jednostką przetwarzania informacji w mózgu. Sygnał biegnie w nim w kierunku od dendrytów, poprzez akson, do synaps. Neuron
Bardziej szczegółowoDariusz Brzeziński Instytut Informatyki, Politechnika Poznańska
Dariusz Brzeziński Instytut Informatyki, Politechnika Poznańska Podstawowe architektury sieci neuronowych Generowanie sztucznych danych Jak się nie przemęczyć Korzystanie z istniejących wag Zamrażanie
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 szczegółowoIdentyfikacja obiektów dynamicznych za pomocą sieci neuronowych
Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 3 Identyfikacja obiektów dynamicznych za pomocą sieci neuronowych Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika
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 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 szczegółowoBłona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne
Błona komórkowa grubość od 50 do 100 A Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne napięcie elektryczne, zwane napięciem na błonie. Różnica potencjałów to ok.
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej 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 szczegółowoBłona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne
Błona komórkowa grubość od 50 do 100 A Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne napięcie elektryczne, zwane napięciem na błonie. Różnica potencjałów to ok.
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 szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
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 szczegółowoSztuczne sieci neuronowe
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Systemy wspomagania decyzji Wprowadzenie Trochę historii Podstawy działania Funkcja aktywacji Uczenie sieci Typy sieci Zastosowania 2 Wprowadzenie
Bardziej szczegółowoPotencjał spoczynkowy i czynnościowy
Potencjał spoczynkowy i czynnościowy Marcin Koculak Biologiczne mechanizmy zachowania https://backyardbrains.com/ Powtórka budowy komórki 2 Istota prądu Prąd jest uporządkowanym ruchem cząstek posiadających
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 szczegółowoMETODY HEURYSTYCZNE 4
METODY HEURYSTYCZNE wykład 4 1 OCENA DZIAŁANIA ANIA AE 2 LOSOWOŚĆ W AE Różne zachowanie algorytmu w niezależnych nych uruchomieniach przy jednakowych ustawieniach parametrów w i identycznych populacjach
Bardziej szczegółowoSieci neuronowe i algorytmy uczenia Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.
Sieci neuronowe i algorytmy uczenia Czyli co i jak 2016 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoDeep Learning na przykładzie Deep Belief Networks
Deep Learning na przykładzie Deep Belief Networks Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW 20 V 2014 Jan Karwowski (MiNI) Deep Learning
Bardziej szczegółowoMetody sztucznej inteligencji
Metody sztucznej inteligencji sztuczne sieci neuronowe - wstęp dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz Metody sztucznej
Bardziej szczegółowoSID Wykład 8 Sieci neuronowe
SID Wykład 8 Sieci neuronowe Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Sztuczna inteligencja - uczenie Uczenie się jest procesem nastawionym na osiaganie rezultatów opartych o
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 szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania
Monitorowanie i Diagnostyka w Systemach Sterowania Katedra Inżynierii Systemów Sterowania Dr inż. Michał Grochowski Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności:
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
Bardziej szczegółowoSztuczne Sieci Neuronowe
Sztuczne Sieci Neuronowe Wykład 1 Wprowadzenie do tematyki Sztucznych Sieci Neuronowych (SSN) wykład przygotowany wg. W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, Sieci Neuronowe, Rozdz. 1. Biocybernetyka
Bardziej szczegółowoSIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie
SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH Jakub Karbowski Gimnazjum nr 17 w Krakowie KRAKÓW 2017 1. Spis treści 2. WSTĘP 2 3. SIECI NEURONOWE 2 3.1. Co to są sieci neuronowe... 2
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowo