Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Mesterséges Neurális Hálózatok Tematika Póczos Barnabás NIPG ELTE-IK.

Hasonló előadás


Az előadások a következő témára: "Mesterséges Neurális Hálózatok Tematika Póczos Barnabás NIPG ELTE-IK."— Előadás másolata:

1 Mesterséges Neurális Hálózatok Tematika Póczos Barnabás NIPG ELTE-IK

2 Tematika Bevezetés –Óra célja –NIPG csoport –MI helyzete –ANN definíció –ANN felhasználási lehetőségei –ANN története –Hilbert 13. problémája –Univerzális approximátorok –reprezentációs tételek

3 Az első neurális hálók Őskori algoritmusok Perceptron –perceptron –Adaline –LMS –Hebb szabály –Widrow Többrétegű perceptron –backpropagation Alkalmazás –osztályozási feladatok –univerzális függvény-approximátor

4 Mintavételezések, és alkalmazásaik Mintavételezés –Hasting –Gibbs nagy dimenziós terek mintavételezése Szimulált kihűtés (SA) –Globális optimalizálás Monte Carló Trajektória Mintavételezés (MCTS), ConDensation –Objektum követés –Hepatitis B elleni oltások vizsgálata

5 MCTS alkalmazások

6 Expectation-Maximisation (EM) MoG hálózat paraméter becslés HMM paraméter becslés LDS paraméterbecslés Alkalmazás: –Positron Emission Tomography (PET) képfeldolgozás –AIDS fertőzöttek számának becslése

7 Kalman Filter (KF) Kiterjesztett Kalman Filter (EKF) KF, EKF alkalmazások –Tengerészeti navigáció –Rakéta elhárítás –Arckövetés –Robot irányítás –Látókéreg modellezés Változatok: –Unscented KF –Sigma point KF Neurális megvalósítás: –Rekurzív Predikciós Hibamódszer (RPE) „Matematikus kalandorok paradicsoma” (Ljung)

8 Tematika, Szabó Zoltán Kernel módszerek SVM Alkalmazás –osztályozási feladatok

9 Főkomponens Analízis (PCA) Független komponens Analízis (ICA) PCA, ICA, MICA Ritka kódolás ICA, SVM, Sparse coding kapcsolata Kernel módszerek –PCA –ICA –MICA Alkalmazás –Koktélparti probléma –EEG adatok feldolgozása –Látókérgi sejtek modellezése

10 Bayes hálók Vélekedés propagálás (BP) –Várható érték propagálás (EP) Alkalmazás –Orvosi diagnózis –Szakértő rendszerek –Hibajavító kódolás

11 Markov dinamika Markov modellek Rejtett Markov modellek (HMM) –Folytonos –diszkrét Viterbi algoritmus Baum Welch algoritmus

12 HMM alkalmazások Alkalmazás –Dasher szövegbevitel –Hang feldolgozás –DNA elemzés –Arckifejezés felismerés –Országúti forgalom modellezés –Viselkedési formák elemzése Dasher adatok Irodai tevékenység Otthoni tevékenység

13 Topológiát tanuló neurális hálók Lokálisan Lineáris Beágyazás (LLE) Általános Topografikus Leképezés (GTM) Önszervező hálózatok (SOM) Kohonen hálózatok

14 Topológiát tanuló neurális hálók

15 Arcképek feldolgozása NMF –Arcrészletek keresése ADABOOST –Arc detektálás, követés –Szem detektálás, követés

16 Arc detektálás

17 Szemdetektálás

18 Statisztikus fizikán alapuló hálózatok Hopfield hálózat Boltzmann hálózat Meanfield hálózat Alkalmazás –globális minimalizálás –NP nehéz kombinatorikus problémák utazó ügynök 8 királynő

19 Rekurrens Neurális Hálózatok (Szita István) Rekurrens Neurális Hálózatok (RNN) Echo State Network (ESN) PIRANHA algoritmus Alkalmazás –Kaotikus sorozatok megtanulása

20 EC-HC modellezés (Lőrincz András) Biológiai relevancia Az értelmezés kérdése és a homunculus paradoxon feloldása mesterséges neuronhálókkal Az architektúra származtatása Az architektúra jóslatai, kísérleti eredmények

21 Felhasznált irodalom Horváth Gábor: Neurális hálók és műszaki alkalmazásaik, Műegyetemi Kiadó 1995 Simon Haykin: Neural Networks: A Comprehensive Foundation (2nd Edition) Howard Demuth, Mark Beale: Neural Network Toolbox L. Ljung, T. Soderstrom: Theory and Practice of Recursive Identification, MIT Press, 1983 N. Cristianini and J. Shawe-Taylor: An introduction to support vector machines (and other kernel-based learning methods) Cambridge University Press

22 Felhasznált irodalom Michael I. Jordan: Learning in graphical models 2000 ISBN: A. Hyvarinen, J. Karhunen, E. Oja: Independent Component Analysis G. J. McLachlan and T. Krishnan: The EM Algorithm and Extensions T.M. Cover and J.A. Thomas: Elements of Information Theory Brendan Frey: Graphical Models for Machine Learning and Digital Communication David J.C. MacKay: Information Theory, Inference, and Learning Algorithms

23 Felhasznált irodalom Jegyzetek: Jaakkola, Tommi: Computer-Science/6-867Machine- LearningFall2002/LectureNotes/index.htm Levendowszky János: Lőrincz András: d_v_0.9.zip Peng, Yun: Welling, Max: ems156B.html


Letölteni ppt "Mesterséges Neurális Hálózatok Tematika Póczos Barnabás NIPG ELTE-IK."

Hasonló előadás


Google Hirdetések