Mesterséges Neurális Hálózatok Tematika

Slides:



Advertisements
Hasonló előadás
NEURONHÁLÓK.
Advertisements

HIPOTÉZIS A képzésben és oktatásban megjelent alábbi három fogalom paradigmaváltást okozott:  Flexible Learning  Distance Education  Open Learning Thomas.
PTE PMMK Műszaki Informatika Tanszék
1 AIBO Robotfoci Bodor László IAR Bevezetés AIBO RoboCup AIBO RoboCup Célok Célok Rendszer elemei Rendszer elemei Megvalósítás terve Megvalósítás.
A digitális számítás elmélete Előadás:kedd 10:10-11:40, 0/13. terem előadó: Dr. Ruszinkó Miklós Gyakorlat: Kedd 14:15-16:00,
IRE 8 /38/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 8.
FOTOGRAMMETRIA és TÉRINFORMATIKA TANSZÉK
Sűrűségfüggvény Parzen becslés Mintapontszám, szigma.
Digitális képanalízis
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Naïve Bayes, HMM.
Generatív (Bayesi) modellezés ápr Slides by (credit to): David M. Blei Andrew Y. Ng, Michael I. Jordan, Ido Abramovich, L. Fei-Fei, P. Perona,
TUDÁSALAPÚ RENDSZEREK Tudnivalók ILCV441 Előadó: Kovács Zita 2013/2014. I. félév.
Mesterséges neuronhálózatok
Adaptív jelfeldolgozás Rádiócsatorna kiegyenlítése
A virtuális technológia alapjai Dr. Horv á th L á szl ó Budapesti Műszaki Főiskola Neumann János Informatikai Kar, Intelligens Mérnöki Rendszerek.
Mérnöki objektumok leírása és elemzése virtuális terekben c. tantárgy Budapesti Műszaki Főiskola Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek.
A virtuális technológia alapjai Dr. Horv á th L á szl ó Budapesti Műszaki Főiskola Neumann János Informatikai Kar, Intelligens Mérnöki Rendszerek.
A CAD/CAM modellezés alapjai
Mesterséges intelligencia
Adatbányászati modellek aggregálása
Az Alakfelismerés és gépi tanulás ELEMEI
2010. febr. 9Bev. a Bioinformatikába1 Bevezetés a Bioinformatikába Budapesti Műszaki és Gazdaságtudományi Egyetem 2009/10 Tavaszi Szemeszter.
Statisztika a szociológiában
Bevezetés az alakmodellezésbe I. Budapesti Műszaki Főiskola Neumann János Informatikai Főiskolai Kar A Műszaki Tervezés Rendszerei 2000/2001 tanév, I.
Összefüggések modelleken belül Budapesti Műszaki Főiskola Neumann János Informatikai Főiskolai Kar A Műszaki Tervezés Rendszerei 2000/2001 tanév, I. félév.
A hiba-előjel alapú FxLMS algoritmus analízise Orosz György Konzulensek: Péceli Gábor, Sujbert László Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika.
Diagnosztika intelligens eszközökkel
Lasztovicza László Neurális hálózatok Lasztovicza László
Textúra elemzés szupport vektor géppel
Matematikai eszközök a környezeti modellezésben
Többváltozós adatelemzés
Petri-hálón alapuló modellek analízise és alkalmazásai a reakciókinetikában Papp Dávid június 22. Konzulensek: Varró-Gyapay Szilvia, Dr. Tóth János.
Költség-minimalizálás az ellenőrző kártyák alkalmazásánál Feladatmegoldás, kiegészítés.
Rendszám Felismerő Rendszer Fajt Péter Vácz István
Matematika oktatás mérnök és informatikai képzésekben Ráckeve, március Pannon Egyetem (Veszprémi Egyetem, 1949) Bölcsészettudományi Kar Gazdaságtudományi.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
Hibaterjedés-analízis
Orvosbiológiai képkereső rendszer teljesítményének képek osztályozásán alapuló javítása Június 23, 2008 Budapest Altrichter Márta Konzulens: dr. Horváth.
IKT az informatikus könyvtáros képzésben az egri főiskolán Dr. Tóvári Judit főiskolai tanár Dr. Tóvári Judit főiskolai tanár.
Hálózatok szerkezete és dinamikája
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György.
WP-Dyna: tervezés és megerősítéses tanulás jól tervezhető környezetekben Szita István és Takács Bálint ELTE TTK témavezető: dr. Lőrincz András Információs.
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
MI 2003/8 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
SVM, kernel módszerek Szabó Zoltán. Tartalomjegyzék Példák, szemlélet Definíciók: –margin, support vektor –pozitív definit, Gram-mtx, kernel –RKHS, feature.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék MapReduce alapok „Big Data” elemzési módszerek Kocsis Imre,
Spike Sorting Solutions Csercsa Richárd Magony Andor.
Struktúra predikció Struktúra lehet Felügyelt tanulási probléma
Máté: Orvosi képfeldolgozás9. előadás1 Szív vizsgálatokhoz kifejlesztett két fejes SPECT.
PÁRHUZAMOS ARCHITEKTÚRÁK – 13 INFORMÁCIÓFELDOLGOZÓ HÁLÓZATOK TUDÁS ALAPÚ MODELLEZÉSE Németh Gábor.
Gépi tanulási módszerek
Mesterséges Neurális Hálózatok 3. előadás
Megerősítéses tanulás 2. előadás
OpenCV CV = Computer Vision
1.Kanonikus felügyelt tanulási feladat definíciója (5p) 1.Input, output (1p) 2.Paraméterek (1p) 3.Hipotézisfüggvény (1p) 4.Hibafüggvény/költségfüggvény.
Hatékony-e a rekurzió? FÉLEGYHÁZI TAMÁS GÁBOR 1 Kovács Magda-díj pályázat 2015/16.
Szimuláció. Mi a szimuláció? A szimuláció a legáltalánosabb értelemben a megismerés egyik fajtája A megismerés a tudás megszerzése vagy annak folyamata.
2004 május 27. GÉPÉSZET Komplex rendszerek szimulációja LabVIEW-ban Lipovszki György Budapesti Műszaki Egyetem Mechatronika, Optika és Gépészeti.
Manhertz Gábor; Raj Levente Tanársegéd; Tanszéki mérnök Budapesti Műszaki és Gazdaságtudományi Egyetem Mechatronika, Optika és Gépészeti Informatika Tanszék.
Adaptív jelfeldolgozás Rádiócsatorna kiegyenlítése
Az Informatikai biztonság alapjai
Számításelmélet Tárgykód: NGM_IN006_1 és LGM_IN006_1
INFORMATIKA ELŐADÁS október 27. E1 ELŐADÓ Informatika
Innováció és fenntartható felszíni közlekedés konferencia 2016
Neurális hálózatok Horváth Gábor I S R G
A mesterséges neuronhálók alapjai
Szűcs Imre - Dr. Pitlik László (OTKA T049013)
Visszacsatolt (rekurrens) neuronhálók
Előadás másolata:

Mesterséges Neurális Hálózatok Tematika Póczos Barnabás NIPG ELTE-IK

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

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

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

MCTS alkalmazások

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

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)

Tematika, Szabó Zoltán Kernel módszerek SVM Alkalmazás osztályozási feladatok

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

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

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

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

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

Topológiát tanuló neurális hálók

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

Arc detektálás

Szemdetektálás

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

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

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

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

Felhasznált irodalom Michael I. Jordan: Learning in graphical models 2000 ISBN: 0 521 78019 5 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

Felhasznált irodalom Jegyzetek: Jaakkola, Tommi: http://ocw.mit.edu/OcwWeb/Electrical-Engineering-and-Computer-Science/6-867Machine-LearningFall2002/LectureNotes/index.htm Levendowszky János: http://www.hit.bme.hu/people/levendov/Neuralis/ Lőrincz András: http://people.inf.elte.hu/lorincz/scripts/Eloadas/ANN_Word_v_0.9.zip Peng, Yun: http://www.csee.umbc.edu/~ypeng/#PTR0 Welling, Max: http://www.vision.caltech.edu/welling/class/LearningSystems156B.html