Mesterséges neuronhálók és alkalmazásaik

Slides:



Advertisements
Hasonló előadás
Az új közbeszerzési törvény megalkotásának körülményei, várható jövőbeli változások május 26. Dr. Kovács László Miniszterelnökség Közbeszerzési Szabályozási.
Advertisements

TÖRTÉNELEM ÉRETTSÉGI A VIZSGA LEÍRÁSA VÁLTOZÁSOK január 1-től.
Beruházási és finanszírozási döntések kölcsönhatásai 1.
NSZFI SZFP Programkoordinációs Iroda Minőségfejlesztési Terület Teljesítményértékelési rendszer A képzett szakemberekért Információgyűjtés.
A Határtalanul! Erdélyben program célkitűzései Sport és turizmus.
Informatikai rendszerek általános jellemzői 1.Hierarchikus felépítés Rendszer → alrendszer->... → egyedi komponens 2.Az elemi komponensek halmaza absztrakciófüggő.
A vállalatok marketingtevékenysége és a Magyar Marketing Szövetség megítélése Kutatási eredmények az MMSZ részére (2008. július)
Iskolai információs rendszer. Alapkövetelmények Oktatási, nevelési intézmények részére fejlesztett Oktatási, nevelési intézmények részére fejlesztett.
avagy a háromszög technika
Palotás József elnök Felnőttképzési Szakértők Országos Egyesülete
E-learning modellek osztályozása
Lendületben a Pénziránytű Iskolahálózat
LEHET JOBB A GYEREKEKNEK!
Gyűjtőköri szabályzat
Kompetenciamérés a Szakiskolai Fejlesztési Program II. keretében 2007
Pályaválasztási tanácsadás
Szabadkai Műszaki Szakfőiskola
Videojáték.
Microsoft Office Publisher
Táncsics Mihály Szakközépiskola Szakiskola és Kollégium Veszprém
Program utasítássorozat
A közigazgatással foglalkozó tudományok
Balaton Marcell Balázs
Kockázat és megbízhatóság
Mesterséges intelligencia
CSOPORT - A minőségellenőrök egy megfelelő csoportja
Hogyan viszonyuljunk a médiaeszközök használatához a válságból való kilábalás után? Szuromi Péter - ZenithOptimedia.
Mátészalkai Szakképző Iskola
Kockázat és megbízhatóság
Végeselemes modellezés matematikai alapjai
Rangsorolás tanulása ápr. 13..
Kvantitatív módszerek
Hipotézisvizsgálat.
Statisztika 10 évf. 3 osztály 82 tanuló 9 évf. 4+1 osztály 118 tanuló Minden osztályt külön pedagógus javított 8 fő - részben of, ha vállalta.
Tájékoztató a évi OSAP teljesüléséről
Animációk.
Piaci kockázat tőkekövetelménye
Gazdaságstatisztika Korreláció- és regressziószámítás II.
Gépi tanulási módszerek febr. 11.
2. Bevezetés A programozásba
Közigazgatási alapvizsga a Probono rendszerben
középfokú felvételi eljárás
Regressziós modellek Regressziószámítás.
STRUKTURÁLT SERVEZETEK: funkció, teljesítmény és megbízhatóság
Rendszerfejlesztés gyakorlat
Tilk Bence Konzulens: Dr. Horváth Gábor
Ez az én művem Nevem: Németh Janka
Adatbányászati szemelvények MapReduce környezetben
Szent István Egyetem Gazdaság- és Társadalomtudományi Kar
BTMN.
KÖFOP VEKOP A közszolgáltatás komplex kompetencia, életpálya-program és oktatás technológiai fejlesztése A Döntőbizottság tapasztalatai.
Megerősítéses tanulás Mély Q-hálók
Lineáris osztályozás.
Vasbeton falvasalás megadása és ellenőrzése EC2 szerint
SZAKKÉPZÉSI ÖNÉRTÉKELÉSI MODELL I. HELYZETFELMÉRŐ SZINT FOLYAMATA 8
A szállítási probléma.
9-10.-es bemeneti mérések és a fejlesztő munkánk
Dr. Varga Beatrix egyetemi docens
„Vásárolj okosan” Mobil kiegészítők vásárlási szokásai
Matematika II. 5. előadás Geodézia szakmérnöki szak 2015/2016. tanév
Mintaillesztés Knuth-Morris-Pratt (KMP) algoritmus
Tájékoztató az EPER pályázati folyamatáról
Megerősítéses tanulás Mély Q-hálók
JAVA programozási nyelv NetBeans fejlesztőkörnyezetben I/13. évfolyam
Megerősítéses tanulás Mély Q-hálók
Bevezetés Tematika Számonkérés Irodalom
AZ ORSZÁGOS KOMPETENCIAMÉRÉSEK MEGSZERVEZÉSE A TANODÁBAN
Dr. Parragh László elnök Magyar Kereskedelmi és Iparkamara
Bevezetés a mély tanulásba
Bevezetés a mélytanulásba
Előadás másolata:

Mesterséges neuronhálók és alkalmazásaik

Kontakt Grósz Tamás Email: groszt@inf.u-szeged.hu Coospace fórum preferált

Menetrend (előadás) Gépi tanulási alapok Mesterséges neuronhálók Mély hálók Optimalizálók, regularizációs módszerek Aktivációs függvények CNN RNN, GRU, LSTM RBM, DBN háló

Menetrend (gyakorlat) Python alapok (ha lesz rá idő) Tensorflow alapok Mesterséges neuronhálók, Mély hálók Optimalizálók, regularizációs módszerek Aktivációs függvények CNN RNN, GRU, LSTM RBM, DBN háló

Követelmények Projektmunka: Vizsga: Egyszerű feladat: kiválasztott adaton sima és mély neuronháló tanítása Bemutatás: kód és elért eredmények bemutatása vizsgán Vizsga: Szóbeli, kérdéssor alapján

Mesterséges Intelligencia Forrás: Norvig könyv

Mesterséges Intelligencia A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E. (Tom M. Mitchell) Forrás: Norvig könyv

Mesterséges Intelligencia típusai Megerősítéses tanulás Az ágens adott környezetben akciókat hajt végre és a visszajelzés alapján tanul Pl: játék MI Felügyelet nélküli tanulás A példákhoz nincs „segítség”, azaz elvárt kimenet Leggyakrabban klaszterezés Felügyelt tanulás A bemeneten kívül ismert az elvárt kimenet is Osztályozás vagy regresszió Forrás: Norvig könyv

Osztályozás A feladat a bemeneti vektorokat előre meghatározott kategóriákba sorolni Tanítópéldaként <x,y> párokat használunk X a bemeneti vektor Y a ketegória, amibe x tartozik Példák: Képek osztályozása (mi látható a képen?) Beszédfelismerés Természetes nyelvi feldolgozás Forrás: Norvig könyv

Osztályozás Geometriai szemlélet: Döntéselméleti szemlélet: közvetlenül a határoló felületet modellezzük Döntéselméleti szemlélet: Minden osztályhoz rendelünk egy diszkriminánsfüggvényt Döntés: azt az osztályt választjuk, amihez tartozó függvény a legnagyobb értéket adja Statisztikai alakfelismerés: Minden x vektorhoz azt az yi-t választjuk amire P(yi|x) maximális Célunk a P(yi|x) minél pontosabb becslése a tanítóadat alapján Forrás: Norvig könyv

Az alapok

Az alapok Mi a helyzet akkor, ha nem szétválasztható az adat?

Az alapok Használjunk több jellemzőt! y=ax+b

Perceptron/Mesterséges neuron

Mesterséges neuron Lehetséges aktivációs függvények: Step: y = x > 0 ? 1 : 0 Szigmoid: 𝑦= 1 1+ 𝑒 −𝑥 Hiperbolikus tangens: 𝑦= 𝑒 𝑥 + 𝑒 −𝑥 𝑒 𝑥 − 𝑒 −𝑥

Tanító és teszt halmaz Gépi tanulás esetén célszerű szétválasztani az adatot tanító és teszt halmazra A teszthalmaz segítségével tudjuk mérni a modell pontosságát Gyakran egy harmadik részt is használnak: validációs hallmaz A hiperparaméterek hangolására Illetve a túltanulás elkerülésére Forrás: Norvig könyv

Pontosság mérése Tanítás és tesztelés során tudnunk kell mérni a modell pontosságát. Sima pontosság: az eltalált példák %-a F-érték: kicsit bonyolultabb Precision = 𝑇𝑃 𝑇𝑃+𝐹𝑃 Recall = 𝑇𝑃 𝑇𝑃+𝐹𝑁 F1 = 2∗ 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛∗𝑟𝑒𝑐𝑎𝑙𝑙 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑟𝑒𝑐𝑎𝑙𝑙

Perceptron tanulás Tanítás során a célunk a pontosság maximalizálása Lényegében a súlyokat (w) és a biast (b) próbáljuk módosítani, hogy minél kevesebbet hibázzon 𝑤 𝑖 = 𝑤 𝑖−1 + ∆ 𝑖−1 , ∆ 𝑖−1 =−𝛼∗𝛻𝐸( 𝑤 𝑖−1 ), ahol 𝛼 a tanulási ráta 𝐸 𝑤 𝑖−1 = 1 2 ∗ (𝑓 𝑥 −𝑦) 2 , pedig a négyzetes hibafüggvény, amit majd le kell deriválnunk.

A valóság

Mesteréges neuronháló

Mesteréges neuronháló Próbáljuk ki a gyakorlatban: https://playground.tensorflow.org