Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Copyright (c) 2010 Varga György All rights reserved About learning systems Copyright (c) Dr. György Varga, 2010 First published: 2010-02-28 Copyright (c)

Hasonló előadás


Az előadások a következő témára: "Copyright (c) 2010 Varga György All rights reserved About learning systems Copyright (c) Dr. György Varga, 2010 First published: 2010-02-28 Copyright (c)"— Előadás másolata:

1 Copyright (c) 2010 Varga György All rights reserved About learning systems Copyright (c) Dr. György Varga, 2010 First published: Copyright (c) Dr. György Varga, 2010 First published:

2 Copyright (c) 2010 Varga György All rights reserved EXTRACTIONEXTRACTIONEXTRACTIONEXTRACTION from the lecture About IT Systems with learning capabilities

3 Copyright (c) Dr. György Varga, 2010 Copyright (c) 2010 Varga György All rights reserved About IT systems with learning capabilities About IT systems with learning capabilities

4 Please follow next lines 1.Mobile telephons 2.Voice-, picture- and vidoe recording 3.Question-Answer: only if one sencence 4.Who knows the answer, should wait ½ a minute Copyright (c) 2010 Varga György All rights reserved

5 ContentContent 1.About systems with learning capabilities 2.Relation: learning systems and IT architecture 3.Examples (IT architecture) 4.Where we may learn (what are we doing wrong?) 5.Summary Copyright (c) 2010 Varga György All rights reserved

6 P A R T 1 / 4

7 Copyright (c) 2010 Varga György All rights reserved About systems with learning capabilities About systems with learning capabilities What is your view about learning?

8 ViewView View Szemlélet: egy adott témához kapcsolódó felfogás vagy álláspont Felfogás: gondolkodásmód, elképzelés Gondolkodásmód: mód, aholgyan gondolkodunk (spontán, érzelemmel, racionálisan,..) Gondolkodás: belső elfoglaltság, amikor megpróbálunk egy felismerést megfogalmazni,elképzelések, emlékek és fogalmak alapján Copyright (c) 2010 Varga György All rights reserved A szemlélet alapja a hit, vagy a tudás

9 Capable of learning What is the criterion to be able to learn? Copyright (c) 2010 Varga György All rights reserved learning skilledown decision what and how: will be givenmaking own capability better Can good adapt to changing environment

10 I. About systems with learning capabilities 1 Controlling (cybernetics) 2 Feedbacks 3 Analysis 4 Features of systems with learning capabilities 5 Mathematics 6 Problems with the general known view 7 What we are missing 8 Technical Systems 9 Summary Copyright (c) 2010 Varga György All rights reserved

11 1. Controlling Cybernetics: interdisciplinary research , mathematics, biolology, technical control, society - Norbert Wiener, Claude Shannon Most important results: - theorie of controll - feedbacks - information theorie - phase diagram Copyright (c) 2010 Varga György All rights reserved

12 1. Controlling Control: i say, what you have to do Loop-control: comparing „is” and „should be” Copyright (c) 2010 Varga György All rights reserved do this controlled system controller

13 1. Controlling Loop-controlling: finer diagram Copyright (c) 2010 Varga György All rights reserved controlled system controllermeasuring controlled value truble real should diff

14 1. Get a model Model: giving a simpler view of realitiy – but proper for out goal Copyright (c) 2010 Varga György All rights reserved controlled system controller Testsignal, superposition, test pattern, test series

15 1. Controlling A Controlling A: keep constant output Copyright (c) 2010 Varga György All rights reserved controlled system controller Controlled system and it’s model is known, there is no changing parameter in the model

16 1. Controlling B Controlling B: some paramters of controlled system can be changed Copyright (c) 2010 Varga György All rights reserved controlled system controller Controlled system and it’s model are known, at least one parameter of the controlled system can be changed by the controller

17 1. Controlling - C Controlling adaptive: Copyright (c) 2010 Varga György All rights reserved controlled system status Controlled system and is’s model are known – features of the controlled systems may change, this change will be recognised and given to the model controller

18 1. Controlling D Controlling D: only the controlled system can be changed Copyright (c) 2010 Varga György All rights reserved controlled system controller We are unable to change the inputs, we can change the controlled system only Example: town water supply, aircraft

19 1. Question Why is so, that no robot pilot will be used by airliners? Copyright (c) 2010 Varga György All rights reserved

20 2. Feedback – P, N Two types of feedback: negativ and positiv Copyright (c) 2010 Varga György All rights reserved Negativ: the internal controls in all continuously working systems is based on negativ feedback Positiv: a very little change makes a relativ hudge change in the whole system in everyday thinking: association with destruction

21 2. Feedback - P Copyright (c) 2010 Varga György All rights reserved Necessity of positiv feedback: without control: atomic bomb with control: nuclear power plant  energy for usage biology: blood clotting deciduous (apoptose)

22 2. Feedback – P+N Copyright (c) 2010 Varga György All rights reserved Positiv and negativ together: instablility In any controlled loop, where there are positiv and negativ feedbacks, the probability of instability is always greather than null Instability: he possibility, that a system may not be controlled anymore; or it comes into a state, which is not acceptable for us and there is no way to get ist back into a proper state

23 2. Feedback – P+N Copyright (c) 2010 Varga György All rights reserved Positiv and negativ together: potential for oscillation Example: foxes and rabbits in a closed system

24 2. Feedback – P+N Copyright (c) 2010 Varga György All rights reserved

25 2. Phase space Copyright (c) 2010 Varga György All rights reserved Phase space technics: we show the parameters of the system in an abtract space, where one single point decribes the whole system

26 3. Analysis Copyright (c) 2010 Varga György All rights reserved XVI-XVII. century: way to get knowledge about very compley systemes: get apart, scrutinize these parts In biology we get no result There are so calles „emergent poperties” these cannot be explained by the properties of the consisting parts Leibniz: learning „is the capability of the whole system”

27 4. Attributes of systems with learning capabilities Copyright (c) 2010 Varga György All rights reserved Systems with learning capabilities Such a system has more beginning stability points in the phase space Is gets from one possible stable point into a next possible stable point in the space via learning Condition for learning: self knowledge and a model about the outside world Self knowledge here: how reacts the system, what is the retroactivity of the reaction back to the system Self mending what is out of order, must be mended for better reaction: making functioning unit more efficient

28 4. Attributes of systems with learning capabilities Copyright (c) 2010 Varga György All rights reserved Not deterministic decision less foodless light more lightmore food The sun loving cell (by Dr. Tibor Gánti) Here are living too much cells: less food, less sunshine. Into which direction is our friend moveing?

29 4. Attributes of systems with learning capabilities Copyright (c) 2010 Varga György All rights reserved In learning systems Self-mending in the biology: example biceps How grow the muscles?

30 4. Attributes of systems with learning capabilities Copyright (c) 2010 Varga György All rights reserved In learing systems Ability of self mending: „making unit more effitient” is only possible with positiv feedback There must be positiv feedback in learning systems Positiv feedback  instability Systems with learning capabilites are – without exception – instable

31 4. Is a system capable of learning? How we decide, a system is capable of learning? Copyright (c) 2010 Varga György All rights reserved There are positiv and negativ feedbacks in each systems with learning capabilities – so they are instable In this process: there is a nondeterministic decision Can good adapt to changing environment Learning is: self-mending on nondeterministic way

32 4. Attributes of systems with learning capabilities - summary Copyright (c) 2010 Varga György All rights reserved System with learning capabilities Each learning system is instable (in pahse space) Capable of making undeterministic decision gets from a near stable point into another near stable point via learning Condition for learning: self knowledge and a model about the outer world Self knowledge here: how reacts the systems, what is the rectroactivity of the reaction back to the system Self mending what is out of order, must be mended for better reaction: making funtioning unit more effictiont The process of learning is not deterministic and cannot be reproduced

33 5. Mathematics 1 Non linear systems 2 Fractals Copyright (c) 2010 Varga György All rights reserved

34 5. Mathematics Copyright (c) 2010 Varga György All rights reserved Not everybody likes it, but it is needed: mathematics of nonlinear equations (chaos theory) Nonlinear systems: cannot be described with linear euqations: example: turbulent motions in gas

35 5. Matematika Copyright (c) 2010 Varga György All rights reserved Hagyományos felfogás: lineáris egyenletek leírják a rendszert – folyamatos függvény, deriválható Nemlineáris rendszerek: amelyeket nem lehet lineáris egyenletekkel leírni: pl. gázok turbulens viselkedése Komplex rendszereket csak komplex függvényekkel lehet leírni? Nem: egyszerű determinisztikus fügvénnyel A kezdeti feltételek apró változása a viselkedés nem gyanított gazdagságát adhatja A látszólagos kaotikus viselkedés rendezett strukúrákat, finom és szép ábrázatokat eredményezhet

36 5. Matematika Copyright (c) 2010 Varga György All rights reserved Visszacsatolás és iteráció: egyszerű iteráció nagy komplexitást hozhat létre Példa: x  kx(1-x), ahol 0 < x < 1 (pék transzformáció) Lehetetlen megjósolni, bizonyos (nagy számú) lépés után mi lesz x értéke Nemlineáris egyenletek: a viselkedés pontos előrejelzése lehetetlen

37 5. Matematika Copyright (c) 2010 Varga György All rights reserved Edward N.Lorenz(1963): egyszerű három paraméteres egyenletrendszer meteorológiai előrejelzésre Megfigyelés: rendkívül érzékeny a kezdeti paraméterek kicsi változására is  előrejelzés lehetetlen Pillangó-hatás(1979): „Brazilia felett egy pillangó szárnylebbenése akár egy tornádót is okozhat Texas felett dx/dt = R(y-x) dy/dt = x(P-z) – y dz/dt = xy - Bz

38 5. Matematika Copyright (c) 2010 Varga György All rights reserved Megfigyelés: az előrejelzés lehetetlensége, hogy egy adott időpontban az attraktor a fázistér melyik pontján halad át Előrejelzés lehetelensége  kaotikus rendszer  káoszelmélet káosz elmélet === nemlineáris egyenletek matematikája

39 5. Matematika- fraktálgeometria Copyright (c) 2010 Varga György All rights reserved Benoit Mandelbrot: önmagukhoz hasonló geometriai alakok tanulmányozása (felhő: 7 nagyságrend) Fraktálok: önmagukhoz hasonló alakzakok, önmagukat kicsinyítve tartalmazzák

40 5. Fraktálgeometria példák Copyright (c) 2010 Varga György All rights reserved Menger szőnyeg: nényszög közepét – oldalak szerint egyharmad arányban – kivágjuk Sierpinki háromszög : lyukas háromszög

41 5. Julia halmazok Copyright (c) 2010 Varga György All rights reserved Gaston Julia (1918): Julia halmaz Kc azon komplex számok halmaza, amelyekre az iterált négyzetes komplex fügvény Qc(z) = z2 + c korlátos marad Kc := {c€C; lim |Qnc(z)| < 0-0} n  0-0

42 5. Julia halmaz Copyright (c) 2010 Varga György All rights reserved

43 5. Julia halmaz Copyright (c) 2010 Varga György All rights reserved

44 5. Julia halmaz Copyright (c) 2010 Varga György All rights reserved

45 5. Julia halmaz Copyright (c) 2010 Varga György All rights reserved

46 5. Fraktálok Milyen különbségek vannak az előző két kép között? Copyright (c) 2010 Varga György All rights reserved Különálló területek, vagy egy összefüggő ábra

47 5. Mandelbrot halmaz Copyright (c) 2010 Varga György All rights reserved Mandelbrot halmaz: azon komplex számok halmaza, amelyekre z = (o + i0) kezdőértékkel az iterált négyzetes komplex fügvény Qc(z) = z2 + c korlátos marad Kc := {c€C; lim |Qnc(0)| < 0-0} n  0-0 Mandelbrot halmaz: Julia halmaz a z=0 kezdőértékkel Julia sejtése: ezek a halmazok összefüggő területet adnak

48 5. Mandelbrot: alma-emberke Copyright (c) 2010 Varga György All rights reserved

49 5. Alma-emberke részlet Copyright (c) 2010 Varga György All rights reserved

50 5. Alma-emberke részlet Copyright (c) 2010 Varga György All rights reserved

51 5. Miért érekes a Mandelbrot halmaz? Copyright (c) 2010 Varga György All rights reserved Julia halmazt értékelhetjük úgy, mint egy fázistér-ábra Csak azok a Julia ábrák érdekesek, amelyekben a halmazelemek összefüggő területet alkotnak Amennyiben egy rendszert csak ezen a területen belül engedjül létezni, a rendszer működőképes (korlátos) maradhat Egy – nemlineáris egyenletekkel leírt – rendszer stabilitása nagyon érzékeny a pontos kezdeti feltételekre Megjegyzés: nincs kijelentésünk a gyűjtőpontok (attraktor) számáról – Lorenz attraktor: 2 A Mandelbrot halmaz szélei fraktálok

52 5. Fraktálok - kép Copyright (c) 2010 Varga György All rights reserved

53 6. Szemléletbeli problémák Copyright (c) 2010 Varga György All rights reserved A tanulás folyamatában döntések egy része nem determinisztikus példa: repülőtér, két kijárat A valós életben a döntések egy része nem előre meghatározott. Ez hozzájárul ahhoz, hogy tudunk tanulni (alkalmazkodni).

54 6. Szemléletbeli problémák Copyright (c) 2010 Varga György All rights reserved A tanulás folyamatában döntések egy része nem determinisztikus ha a döntés nem manifelsztálódik a külső vagy belső modellben  az „alkotó” soha nem tudja meg, mikor miért döntött a rendszer úgy ahogy tette  a teljes tanulási folyamat nem ismételhető meg determinisztikusan Ez az a pont, ahol a műszaki embereket kirázza a hideg!

55 7. What we have missed Copyright (c) 2010 Varga György All rights reserved Mi az a jelenség vagy folyamat, ami jellemző a tanulóképes rendszerekre, és még nem volt róla szó? Mire iszik a magyar ember?

56 7. What we have missed Copyright (c) 2010 Varga György All rights reserved perception pubdiscussion lesson not important forget

57 7. What we have missed Copyright (c) 2010 Varga György All rights reserved - Lot of old reactions is unnesessary in the new situation - What won’t be needed: should be forgotten Something to forget: may be consious Distinction between important and not important

58 7. What we have missed Copyright (c) 2010 Varga György All rights reserved not important – forgetting - perception Az észlelést tudatunk – a lényeges, lényegtelen alapján – jelentősen befolyásolja Az, hogy mit tartunk lényegtelennek, észlelésünket is befolyásolja. Nagyon jelentősen. Példa?

59 8. Technikai rendszerek Copyright (c) 2010 Varga György All rights reserved Tanulóképes technikai rendszer reprodukciója (másolása): - tanulóképes rendszer reprodukciója egyszerű - már „tanult” rendszer másolása csak akkor egyszerű, ha a rendszer működés közben is fizikailag jól körülhatárolt és elválaszható környezetétől Példa: tanított ideghálózat-szimuláció (férfi-nő)

60 8. Technikai rendszerek Copyright (c) 2010 Varga György All rights reserved Tanulóképes technikai rendszer önreprodukciója: - nem foglalkozunk vele Számítógép vírusok: adaptációra képes „alkotások” - Kérdés: hogyan vizsgálják meg, hogy befogadót (az adott számítógépet) már megfertőződöt-e az adott vírustól?

61 9. Summary Systems with learning capabilities Copyright (c) 2010 Varga György All rights reserved Enwironment perception decision d/n important mistakechange oblivion memory instabile system with a lot of negative and positive loopbacks influence

62 END OF PART 1 / 4

63 Copyright (c) 2010 Varga György All rights reserved About IT architecture architecture This is a real technical issue.

64 Copyright (c) 2010 Varga György All rights reserved Examples (IT architecture) Is this not boring?

65 Copyright (c) 2010 Varga György All rights reserved What we can do it better (what is wrong?) What we can do it better (what is wrong?) Common knowledge is common treasure.

66 Copyright (c) 2010 Varga György All rights reserved What is your view about learning? What is your view about learning? Thank for your attention!

67 The End


Letölteni ppt "Copyright (c) 2010 Varga György All rights reserved About learning systems Copyright (c) Dr. György Varga, 2010 First published: 2010-02-28 Copyright (c)"

Hasonló előadás


Google Hirdetések