Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
1
Mesterséges Neurális Hálózatok Tematika
Póczos Barnabás NIPG ELTE-IK
2
Tematika Bevezetés Óra célja NIPG csoport MI helyzete ANN definíció
ANN felhasználási lehetőségei ANN története Hilbert 13. problémája Univerzális approximátorok reprezentációs tételek
3
Az első neurális hálók Őskori algoritmusok
Perceptron perceptron Adaline LMS Hebb szabály Widrow Többrétegű perceptron backpropagation Alkalmazás osztályozási feladatok univerzális függvény-approximátor
4
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
5
MCTS alkalmazások
6
Expectation-Maximisation (EM)
MoG hálózat paraméter becslés HMM paraméter becslés LDS paraméterbecslés Alkalmazás: Positron Emission Tomography (PET) képfeldolgozás AIDS fertőzöttek számának becslése
7
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)
8
Tematika, Szabó Zoltán Kernel módszerek SVM Alkalmazás
osztályozási feladatok
9
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
10
Bayes hálók Vélekedés propagálás (BP) Alkalmazás
Várható érték propagálás (EP) Alkalmazás Orvosi diagnózis Szakértő rendszerek Hibajavító kódolás
11
Markov dinamika Markov modellek Rejtett Markov modellek (HMM)
Folytonos diszkrét Viterbi algoritmus Baum Welch algoritmus
12
HMM alkalmazások Alkalmazás Dasher szövegbevitel Hang feldolgozás
DNA elemzés Arckifejezés felismerés Országúti forgalom modellezés Viselkedési formák elemzése Dasher adatok Irodai tevékenység Otthoni tevékenység
13
Topológiát tanuló neurális hálók
Lokálisan Lineáris Beágyazás (LLE) Általános Topografikus Leképezés (GTM) Önszervező hálózatok (SOM) Kohonen hálózatok
14
Topológiát tanuló neurális hálók
15
Arcképek feldolgozása
NMF Arcrészletek keresése ADABOOST Arc detektálás, követés Szem detektálás, követés
16
Arc detektálás
17
Szemdetektálás
18
Statisztikus fizikán alapuló hálózatok
Hopfield hálózat Boltzmann hálózat Meanfield hálózat Alkalmazás globális minimalizálás NP nehéz kombinatorikus problémák utazó ügynök 8 királynő
19
Rekurrens Neurális Hálózatok (Szita István)
Rekurrens Neurális Hálózatok (RNN) Echo State Network (ESN) PIRANHA algoritmus Alkalmazás Kaotikus sorozatok megtanulása
20
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
21
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
22
Felhasznált irodalom Michael I. Jordan: Learning in graphical models 2000 ISBN: 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
23
Felhasznált irodalom Jegyzetek:
Jaakkola, Tommi: Levendowszky János: Lőrincz András: Peng, Yun: Welling, Max:
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.