Vytěžování dat – přednáška 9

More documents

Recommendations

Info

Rosenblatt - učicí algoritmus Váhy se nastaví náhodně. Je-li výstup správný, váhy se nemění. Má-li být výstup roven 1, ale je 0/-1, inkrementuj váhy na aktivních vstupech. Má-li být výstup roven 0/-1, ale je 1, dekrementuj váhy na aktivních vstupech. Vstupy jsou přitom aktivní tehdy, když je jejich hodnota nad prahem, tedy nenulová. Velikost změny vah (inkrementace nebo dekrementace) závisí na konkrétně zvolené ze tří možných variant: Při inkrementaci i dekrementaci se aplikují pevné přírůstky. Přírůstky se mění v závislosti na velikosti chyby. Je výhodné, jsou-li při větší chybě větší a naopak. Takto dosažené zrychlení konvergence však může mít za následek nestabilitu učení. Proměnné a pevné přírůstky se kombinují v závislosti na velikosti chyby. Y336VD Vytěžování dat
Rosenblatt a spol. Velmi dobré výsledky Přitažlivý výzkum slibující velkou perspektivu. S dostatečně velkou sítí budu schopen rozpoznat cokoli! Na to grantové agentury slyší. Mnoho vědců se snaží výsledky napodobit a rozvinout. Y336VD Vytěžování dat
Page 1 and 2: Česk eské vysoké vysok učen en
Page 3 and 4: Úvod do neuronových sítí Biolog
Page 5 and 6: Umělá neuronová síť Distribuo
Page 7 and 8: Učení a jeho typy Při učení s
Page 9 and 10: Historie 1899 - 1969 1923 - 1969 Wa
Page 11 and 12: Rosenblattův perceptron (1957) Y33
Page 13: Neurony v Rosenblattově síti x1 x
Page 17 and 18: MP-perceptron vstupní vektor x1 x2
Page 19 and 20: Geometrická interpretace neuronu P
Page 21 and 22: Příklad: AND Podívejme se na re
Page 23 and 24: Příklad: AND, pokračování Dí
Page 25 and 26: Příklad: XOR, pokračování Sle
Page 27 and 28: Kdy je perceptron naučen? Tehdy,
Page 29 and 30: ADALINE - AdAptive Linear Neuron vs
Page 31 and 32: http://neuron.felk.cvut.cz/coursewa
Page 33 and 34: MADALINE (Multiple Adaptive Linear
Page 35 and 36: MADALINE možnosti použití Prvn
Page 37 and 38: MADALINE omezení MADALINE není p
Page 39 and 40: Lineární neseparabilita - Minsky-
Page 41 and 42: Průlom I: diferencovatelné aktiva
Page 43 and 44: Nelineární přenosová funkce Mul
Page 45 and 46: Další dopředné neuronové sít
Page 47 and 48: MIA GMDH Neurony s polynomiální p
Page 49 and 50: Feedforward NN for rapid vision Se
Page 51: Neuronové sítě v data miningu V

Vytěžování dat – přednáška 9

Create successful ePaper yourself

Delete template?

Save as template?