Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 13-1- Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania.1.1 Programu Operacyjnego Kapitał Ludzki M. Czoków, J. Piersa WSN 13/1 Wykład 3
1 Algorytm spadku gradientowego Uczenie Adaline 3 Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania M. Czoków, J. Piersa WSN 13/1 Wykład 3
1 Algorytm spadku gradientowego Uczenie Adaline 3 Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania M. Czoków, J. Piersa WSN 13/1 Wykład 3
Idea f(x) = exp(- (x - x ) / ( sigma )) - - y 3 1-1 - -3 - - - - -3 - -1 1 3 x M. Czoków, J. Piersa WSN 13/1 Wykład 3
Norma euklidesowa f ( x) = x x = (x x ) + (y y ) 15 1 5 1 5 y -5-1 -1-5 x 5 1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Hiperbola f (x) = a(x x ) + b(y y ) + c 5 15 1 5-1 -5 x 5 1-1 -5 y 5 1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Hiperbola f (x) = ( a(x x ) + b(y y ) + c ) d, d < 1.8.6.. 1 5 1 5 y -5-5 x -1-1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Funkcja Gaussa f (x) = exp x x σ f(x) = exp(- (x - x ) / ( sigma )) 1.8.6.. - -3 - -1 x 1 3 - -3 - -1 1 y 3 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Funkcja liniowo-logarytmiczna f (x) = c x x ln(c x x ), c > 1 8 6 1 5 1 5 y -5-5 x -1-1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Jak wykorzystać w zagadnieniach klasyfikacyjnych 1.5 1.5-6 - - 6 6 8 1 1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Jak wykorzystać w zagadnieniach klasyfikacyjnych out 1.5 1.5-6 - - 6 6 8 1 1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
y Efekt 8 6 1 -.8.6.. - -8-6 8-6 - - 6-8 -8-6 - - 6 8 x x 6 8-8 -6 - - y M. Czoków, J. Piersa WSN 13/1 Wykład 3
y Efekt 8 6 1.8.6.. - - 8 6-6 -8-8 -6 - - 6 8 x x - - -6-8 8 6 y - - -6-8 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Algorytm spadku gradientowego Uczenie Adaline 1 Algorytm spadku gradientowego Uczenie Adaline 3 Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania M. Czoków, J. Piersa WSN 13/1 Wykład 3
Funkcja błędu Algorytm spadku gradientowego Uczenie Adaline 5 5-5 -5-1 -1-15 6 8 1-15 6 8 1 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Algorytm spadku gradientowego Algorytm spadku gradientowego Uczenie Adaline 5 3 1 6 - - -6-6 - - 6 M. Czoków, J. Piersa WSN 13/1 Wykład 3
Postęp algorytmu Algorytm spadku gradientowego Uczenie Adaline click M. Czoków, J. Piersa WSN 13/1 Wykład 3
Algorytm Algorytm spadku gradientowego Uczenie Adaline click M. Czoków, J. Piersa WSN 13/1 Wykład 3
Wykres błędu Algorytm spadku gradientowego Uczenie Adaline 3 Error 5 Error 15 1 5 5 1 15 5 3 Iterations M. Czoków, J. Piersa WSN 13/1 Wykład 3
Wielkość η Algorytm spadku gradientowego Uczenie Adaline 1 1 1 8 3 6 p(x,y) 1 3 1 y -1 - -3 - -1 - -3 - -5-5 x M. Czoków, J. Piersa WSN 13/1 Wykład 3
Filtry liniowe Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania Oryginalny rysunek za http://en.wikipedia.org/, 11-9. M. Czoków, J. Piersa WSN 13/1 Wykład 3
Rozpoznawanie obrazów Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania Chcemy rozpoznawać obraz po przesunięciu, M. Czoków, J. Piersa WSN 13/1 Wykład 3
DFT Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania obraz DFT obraz DFT M. Czoków, J. Piersa WSN 13/1 Wykład 3
DFT Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania DFT 1 log(dft) M. Czoków, J. Piersa WSN 13/1 Wykład 3
DFT Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania DFT 1 log(dft) M. Czoków, J. Piersa WSN 13/1 Wykład 3
DFT Filtrowanie obrazów Rozpoznawanie obrazów DFT Zadania out M. Czoków, J. Piersa WSN 13/1 Wykład 3