Vytěžování dat – přednáška 9

More documents

Recommendations

Info

Applet perceptron http://neuron.felk.cvut.cz/courseware/data/chapter/36nan028/s04.html Y336VD Vytěžování dat
Kdy je perceptron naučen? Tehdy, když je pro všechny vzory učicí množiny (podmnožina množiny vstupních vzorů) splněno zadané kritérium naučenosti formulované např. tak, že chyba perceptronu je menší než … Jak vypočítám jeho chybu? Kdy mám ukončit učení? chyba na validační množině začíná růst stagnace po určitý počet epoch Epocha = předložení všech vzorů trénovací množiny na vstup 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 and 14: Neurony v Rosenblattově síti x1 x
Page 15 and 16: Rosenblatt a spol. Velmi dobré v
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: Příklad: XOR, pokračování Sle
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?