Vytěžování dat – přednáška 9

More documents

Recommendations

Info

MP – algoritmus učení Pro každý učicí vzor uprav váhy perceptronu: ( t + 1) = w ( t) + ηe( t) x ( t), wi i i kde e() t = [ d ( t ) − y ( t ) ] , w i je váha itého vstupu η je koeficient učení Je to chyba? Jakých hodnot nabývají d a y? Y336VD Vytěžování dat x i je hodnota itého vstupu y je výstup neuronu d je požadovaný výstup
Geometrická interpretace neuronu Položíme nule (ve 2D): Co s tím udělá nelinearita na výstupu? Rovnice přímky se směrnicí -w 1 /w 2 a posuvem na ose x 2 rovným /w 2 Y336VD Vytěžování dat je vnitřní potenciál neuronu
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 and 14: Neurony v Rosenblattově síti x1 x
Page 15 and 16: Rosenblatt a spol. Velmi dobré v
Page 17: MP-perceptron vstupní vektor x1 x2
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?