WykÅad 6: Sieci Neuronowe

More documents

Recommendations

Info

Zastosowanie SN:• NIE: do obliczeń, tabliczki mnożenia, do edytorów tekstu itp. zastosowań gdziemożna łatwo zastosować znany algorytm.• TAK: tam, gdzie algorytm postępowania jest bardzo trudny do osiągnięcia, gdziedane są niekompletne lub niedokładne, gdzie przebieg badanego zjawiska jestnieliniowy itp. Tam, gdzie jest dużo danych, jakieś wyniki ale nie znamy jeszczemetody działania.1.)Przetwarzanie danych giełdowych i prognozowanie kursów akcji.2.)Prognozowanie trzęsień ziemi i zjawisk pogodowych.3.)Rozpoznawanie w jakim języku jest napisany dany tekst.4.)Przetwarzanie zeskanowanego obrazu na tekst.5.)Badania psychiatryczne.6.)Prognozy giełdowe, sprzedaży, Prognozy cen i danych ekonomicznych.7.)Poszukiwania ropy naftowej.8.)Sterowanie procesów przemysłowych.9.)Prognozowanie liczb w Totka ( jak na razie bez rezultatów).
Mózg ludzki• Objętość: 1400 cm 3• Powierzchnia: 2000cm 2• Masa: 1,5 kg• Pokrywająca półkule kora mózgowa zawiera 10 10 komórek nerwowych• Liczba połączeń między komórkami: 10 15• Komórki wysyłają i odbierają sygnały, szybkość operacji = 10 18 operacji / s• Sieć neuronowa jest uproszczonym modelem mózgu !
Page 1: The brain - that's my second mostfa
Page 4 and 5: Elementy Systemu Inteligentnego
Page 6 and 7: • Jeden z ciekawszych przykładó
Page 8 and 9: • Na podstawie doprowadzonych doo
Page 10 and 11: • Największą częścią neuronu
Page 12 and 13: Cechy sieci neuronowych:• potrafi
Page 14 and 15: Charakterystyczna cecha wszystkichs
Page 18 and 19: • Objętość: 1400 cm 3• Powie
Page 20 and 21: Uproszczony model neuronu pokazują
Page 22 and 23: Aproksymacja funkcji• Zasada dzia
Page 24 and 25: Funkcja skoku jednostkowego - unipo
Page 27 and 28: Funkcja sigmoidalna - bipolarnaFunk
Page 29 and 30: wzory nieliniowych funkcji aktywacj
Page 31 and 32: Historia SN• W latach pięćdzies
Page 34 and 35: Typy sieci neuronowych• Jednokier
Page 36 and 37: Uczenie się SN• sieci neuronowe
Page 39 and 40: uczenie pod nadzorem ( z nauczyciel
Page 41 and 42: Schemat uczenia nadzorowanego
Page 43 and 44: Uczenie bez nadzoru• uczenie bez
Page 45 and 46: Uczenie nienadzorowane• Samouczen
Page 47 and 48: Reguły uczenia SN• Neuron ma zdo
Page 50: Sieci jednokierunkowe (np. Perceptr
Page 53 and 54: Sieć jednokierunkowa dwuwarstwowa
Page 55 and 56: PredykcjaWejścia: X 1 X 2 X 3 Wyj
Page 57 and 58: Model sieci rekurencyjnej jednowars
Page 59 and 60: Sieć Hopfielda c.d.• Jako funkcj
Page 61 and 62: Radialne sieci neuronowe (RBF, radi
Page 63 and 64: Różnice między MLP a RBF• RBF
Page 65 and 66: • Jednokierunkowe:- Liniowe:• H
Page 67 and 68:
Klasyfikacja ze względu na funkcj
Page 69 and 70:
Model neuronu• W roku 1943 W.McCu
Page 71 and 72:
Backpropagation• To jedna z najcz
Page 73:
Zmiana wagL- jest to tzw. Współcz
Page 76 and 77:
Zmiana wagL- jest to tzw. Współcz
Page 78:
Wybieramy losowo jedną z obserwacj
Page 88 and 89:
Rozmiar sieci neuronowej ?• Za du
Page 90 and 91:
• Liczba neuronów w warstwie wej
Page 92 and 93:
• Przypadek: analiza powikłań p
Page 94:
Regresja dla zbioru Energia.sta
Page 102 and 103:
Zwiększyć liczbę neuronów z 8 n
Page 104 and 105:
4 sieci, po 8 neuronów
Page 107:
predykcja
Page 113 and 114:
Macierz pomyłek
Page 115:
Entropia a SOS
Page 118 and 119:
• Oprócz ścisłych modeli danej
Page 120 and 121:
Przykład: system do diagnozowaniac
Page 122 and 123:
Sieć neuronowarozpoznawaniekojarze
Page 124 and 125:
Zadania sieci neuronowych:• Predy
Page 126 and 127:
Rozpoznawanie wzorcówCo można uzn
Page 128 and 129:
Możliwe zastosowania c.d.• Produ
Page 130:
Wady i zalety sieci neuronowejZalet
show all

WykÅad 6: Sieci Neuronowe

Create successful ePaper yourself

Delete template?

Save as template?

WykÅad 6: Sieci Neuronowe