Mesterséges neuronhálózatok
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”
Hálózat használata Neuronháló megtervezése Hálózat elkészítése rétegek száma neuronok száma tanulási algoritmus Hálózat elkészítése Hálózat tanítása Hálózat használata kategorizálási feladatokra
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
Aktivációs függvények szignum (előjel) függvény (1/-1) egységugrás/lépés függvény (0/1) lineáris függvény (y=x) szigmoid függvény
Perceptron legegyszerűbb neuronháló = 1 neuron 1958. 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
Perceptron n db bemenet: x1,x2, …, xn n db súly: w1,w2, …, wn küszöb: Θ kimenet: Y aktivációs függvény: egységugrás
Tanulás Súlyok módosítása p-edik iterációkor az aktuális és kívánt kimenet közti különbség alapján (felügyelt tanulás) kezdeti súlyok és a küszöb: véletlenszerűen p-edik iterációkor Y(p): aktuális kimenet Yd(p): kívánt kimenet hiba: e(p)=Yd(p)-Y(p) Bemenetek súlyozott összege: X(p)
Tanulás Tanulási szabály – új súly meghatározása: α: pozitív konstans (tanulási tényező)
Tanulási algoritmus 1. Inicializálás 2. Aktiválás súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás 3. Súlyok meghatározása 4. Ismétlés a 2. lépéstől
Neurális szakértői rendszerek Neurális háló és szabályok kombinációja Szabályok automatikus létrehozása Tudás: a hálóban 3 rétegű háló Minden tulajdonság egy neuron