Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Adatbányászati alkalmazások AZ ALAKFELISMERÉS ÉS GÉPI TANULÁS ELEMEI BEVEZETÉS.

Hasonló előadás


Az előadások a következő témára: "Adatbányászati alkalmazások AZ ALAKFELISMERÉS ÉS GÉPI TANULÁS ELEMEI BEVEZETÉS."— Előadás másolata:

1 Adatbányászati alkalmazások AZ ALAKFELISMERÉS ÉS GÉPI TANULÁS ELEMEI BEVEZETÉS

2 Példa Kézzel írt számjegyek felismerése

3 Polinom illesztése

4 Négyzet-összeg hibafüggvény

5 0 -ad fokú polinom

6 1 ső fokú polinom

7 3 ad fokú polinom

8 9 ed fokú polinom

9 Túlillesztés Átlagos négyzetes hiba gyöke (RMS):

10 Polinom együtthatók

11 Adatállomány mérete: 9 ed fokú polinom

12 Adatállomány mérete: 9 ed fokú polinom

13 Regularizáció Büntessük a nagy értékű együtthatókat:

14 Regularizáció:

15

16 Regularizáció: vs.

17 Polinom együtthatók

18 Valószínűségelmélet Almák és Narancsok

19 Valószínűségelmélet Marginális valószínűség Feltételes valószínűség Együttes valószínűség

20 Valószínűségelmélet Összeg szabály Szorzat szabály

21 A valószínűségszámítás szabályai Összeg szabály Szorzat szabály

22 Bayes tétel a poszterior  likelihood × a prior

23 Valószínűségi sűrűségek

24 Transzformált sűrűségek

25 Várható értékek Feltételes várható érték (diszkrét eset) A várható érték közelítése (diszkrét és folytonos)

26 Varianciák és kovarianciák

27 Normális (Gauss) eloszlás

28 Gauss eloszlás várható értéke és varianciája

29 Többdimenziós normális eloszlás

30 Normális eloszlás paramétereinek becslése Likelihood függvény

31 (Log) Likelihood függvény maximalizálása

32 A és becslések tulajdonságai

33 Sztochasztikus görbeillesztés

34 Maximum Likelihood Határozzuk meg -t az négyzetes hiba maximalizálásával.

35 Előrejelző eloszlások

36 MAP: egy lépés a Bayes szemlélet felé Határozzuk meg -t az regularizált legkisebb négyzetek minimalizálásával.

37 Bayes-féle görbeillesztés

38 Bayes-féle előrejelző eloszlások

39 Modell-választás Keresztellenőrzés

40 A dimenzió probléma

41 Polinom görbe illesztése M = 3 Gauss sűrűségek magas dimenzióban

42 Döntéselmélet Következtetés Határozzuk meg -t vagy -t. Döntés Adott x esetén határozzuk meg az optimális t- t.

43 Minimális téves osztályozási arány

44 Minimális várható veszteség Példa: osztályozzunk orvosi képeket mint rákos (cancer) vagy normális (normal) Döntés Igazság

45 Minimális várható veszteség Az tartományt úgy választjuk, hogy minimalizáljuk:

46 Elutasítás

47 Miért különítsük el a következtetést és döntést? Rizikó minimalizálás (a veszteség mátrix változhat az idővel) Elutasítási lehetőség Kiegyensúlyozatlan osztályok Modellek egyesítése

48 Döntéselmélet regressziónál Következtetés Határozzuk meg -t. Döntés Adott x esetén találjunk y(x) optimális előrejelzést t -re. Veszteségfüggvény:

49 Négyzetes veszteségfüggvény

50 Generatív vagy diszkriminatív Generatív megközelítés: Modell Használjuk a Bayes tételt Diszkriminatív megközelítés: Modellezzük -t közvetlenül

51 Entrópia Alapvető mennyiség az alábbi területeken: kódelmélet statisztikus fizika gépi tanulás

52 Entrópia Kódelmélet: x diszkrét 8 lehetséges állapottal; mennyi bit szükséges x átviteléhez? Minden állapot egyenlően valószínű

53 Entrópia

54 Hányféleképpen lehet N azonos objektumot elhelyezni M számú dobozba? Entrópia akkor maximális ha

55 Entrópia

56 Folytonos entrópia Helyezzünk ¢ hosszú dobozokat a valós egyenesre A folytonos entrópia akkor maximális (adott mellett) amikor Amely esetben

57 Feltételes entrópia

58 Kullback-Leibler divergencia

59 Kölcsönös információ


Letölteni ppt "Adatbányászati alkalmazások AZ ALAKFELISMERÉS ÉS GÉPI TANULÁS ELEMEI BEVEZETÉS."

Hasonló előadás


Google Hirdetések