Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Mesterséges neuronhálózatok. Neurális hálózat Gépi tanulás egyik módja Mesterséges neuronokból áll McCulloch-Pitts neuron  több súlyozott bemenet  küszöbfüggvény.

Hasonló előadás


Az előadások a következő témára: "Mesterséges neuronhálózatok. Neurális hálózat Gépi tanulás egyik módja Mesterséges neuronokból áll McCulloch-Pitts neuron  több súlyozott bemenet  küszöbfüggvény."— Előadás másolata:

1 Mesterséges neuronhálózatok

2 Neurális hálózat Gépi tanulás egyik módja Mesterséges neuronokból áll McCulloch-Pitts neuron  több súlyozott bemenet  küszöbfüggvény  1 kimenet, amely lehet végső kimenet elágazhat lehet újabb neuron(ok) bemenete Használat:  minták megtanulása után olyan mintákat is tud kategorizálni, amit még nem „látott”

3 Hálózat használata Neuronháló megtervezése  rétegek száma  neuronok száma  tanulási algoritmus Hálózat elkészítése Hálózat tanítása Hálózat használata kategorizálási feladatokra

4 Mesterséges neuron Tanulás: súlyok módosításával Súlyok: a bemenet/kapcsolat erősségét jelzik Kimeneti jel: aktivációs szint Aktivációs szint: a súlyokból, a bemeneti jelekből és a küszöb segítségével számítja ki Bemenetek: a külvilágtól vagy más neuronoktól érkező jelek Kimenet: végső eredmény vagy bemenet más neuronoknak Aktivációs függvény: eldönti, hogy a neuron tüzel-e

5 Aktivációs függvények szignum (előjel) függvény (1/-1) egységugrás/lépés függvény (0/1) lineáris függvény (y=x) szigmoid függvény

6 Perceptron legegyszerűbb neuronháló = 1 neuron Frank Rosenblatt cél: bemeneteket osztályokba sorolni (jó/nem jó) n db bemenet n dimenziós teret oszt fel hipersíkok segítségével 2 területre  2 bemenet: 1 vonal mentén 2 terület  3 bemenet: 3D test

7 Perceptron n db bemenet: x 1,x 2, …, x n n db súly: w 1,w 2, …, w n küszöb: Θ kimenet: Y aktivációs függvény: egységugrás

8 Tanulás Súlyok módosítása  az aktuális és kívánt kimenet közti különbség alapján (felügyelt tanulás)  kezdeti súlyok és a küszöb: véletlenszerűen p-edik iterációkor  Y(p): aktuális kimenet  Y d (p): kívánt kimenet  hiba: e(p)=Y d (p)-Y(p)  Bemenetek súlyozott összege: X(p)

9 Tanulás Tanulási szabály – új súly meghatározása: α: pozitív konstans (tanulási tényező)

10 Tanulási algoritmus 1. Inicializálás  súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás 3. Súlyok meghatározása 4. Ismétlés a 2. lépéstől

11 Neurális szakértői rendszerek Neurális háló és szabályok kombinációja Szabályok automatikus létrehozása Tudás: a hálóban 3 rétegű háló Minden tulajdonság egy neuron


Letölteni ppt "Mesterséges neuronhálózatok. Neurális hálózat Gépi tanulás egyik módja Mesterséges neuronokból áll McCulloch-Pitts neuron  több súlyozott bemenet  küszöbfüggvény."

Hasonló előadás


Google Hirdetések