Umělá inteligence - 3
 x   TIP: Přetáhni ikonu na hlavní panel pro připnutí webu
Reklama

Umělá inteligence - 3Umělá inteligence - 3

 

Umělá inteligence - 3

Google       Google       5. 12. 2005       18 017×

Základní pojmy k neuronovým sítím
Výkonný prvek neuronové sítě
Měření vzdálenosti
Druhy sítí a topologie
Aplikace..

Reklama
Reklama

Základní pojmy k neuronovým sítím

V této kapitole si uvedeme některé základní pojmy z oblasti umělých neuronových sítí doplněné krátkým vysvětlením. Termíny užívané v neuronových sítích tedy jsou:

Adaptace - Schopnost umělé neuronové sítě k samoorganizaci. Realizuje se obvykle změnami vah během učení.

Adaptivní systém - Systém schopný zlepšit nebo upravit výkonnost (obvykle parametricky) pro zvyšující se faktor náročnosti nebo pro vyhovění neurčitostí způsobené prostředím.

Architektura - Struktura sítě výkonných prvků, jejich vzájemné propojení.

Algoritmus - Metoda nebo procedura pro získání cíle nebo řešení.

Excitace - Působení neuronu, při kterém v připojených neuronech dochází k růstu jejich vnitřního potenciálu.

Energetická funkce - Energie je mírou naučenosti, tedy odchylky mezi skutečnými a požadovanými hodnotami výstupů neuronové sítě pro danou trénovací množinu.

Klasifikace - Schopnost přiřadit vstupní pozorovaný vzor nebo znak do určité kategorie.

Znak nebo vlastnost - Něco, co charakterizuje vlastnost nějakého objektu nebo situace.

Heuristika - Metoda používaná podle zkušenosti, ale nemusí být garantované řešení problému.

Přeučování - Učící proces, ve kterém se maže jistý počet vah. V kontrastu k normálnímu učení už při přeučování sítě jistý objem dat obsahovala.

Převrácení - Určení vstupu z daného výstupu a systémového modelu.

Samoorganizace - Schopnost neuronové sítě učením přizpůsobit své chování k vyřešení daného problému.

Síť - Spojení vzájemně propojených entit.

Topologie - Popisuje druh a počet výkonných prvků sítě a strukturu (graf) jejich propojení.

Unit (jednotka) - Elementární objekt umělé neuronové sítě.

Výkonný prvek neuronové sítě

Nyní zavítáme do matematické a logické části neuronových systémů. Je tedy doporučené alespoň znát množiny a operace s nimi. Jak jsme si již řekli v prvním díle seriálu, výkonným prvkem je vždy neuron. Jak tento neuron vypadá, můžeme vidět na následujícím obrázku.

McCulloch-Pittsův neuron

Tento neuron své vstupní informace zpracovává a předává dále podle vztahu:

kde
xi - jsou výstupy neuronu a počet těchto neuronů je celkem N.
wi - jsou tzv. synaptické váhy. Stejně jako u biologických sítí.
S - je obvykle označována přenosová funkce dotyčného neuronu, někdy také F
O - práh daného neuronu

Výraz v uvedené rovnici bývá někdy označován jako vnitřní potenciál neuronu. Zmínili jsme se, že umělé neuronové sítě mají určitou přenosovou funkci. Možné varianty těchto funkcí jsou na následujícím obrázku:

Přenosové funkce umělých neuronových sítí

Měření vzdálenosti

Jedna z důležitých částí neuronových sítí jsou výpočty vzdáleností. Určují, kam patří právě učený či testovaný vektor.

Toto se využívá hlavně pro I/O vektory. Tato vzdálenost je definována následovně:

Tato je využívána hlavně pro výpočet vzdáleností ve 2D a N-rozměrném prostoru:

Toto je zjednodušená verze měření Euklidovské vzdálenosti na úkor zvyšování chyby:

Toto je zjednodušená vzdálenost Manhattan, což se projeví chybou, ale zvýšenou rychlostí:

Druhy sítí a topologie

Neuronové sítě se dělí podle několika kritérií:

Podle počtu vrstev

  • jednou vrstvou (Hopfieldova síť, Kohonenova síť, ...)
  • více vrstvami (ART síť, Perceptron, klasická vícevrstvá síť s algoritmem propagation)

    Podle algoritmů učení

  • s učitelem (síť s algoritmem Backpropagation, ...)
  • bez učitele (Hopfieldova síť

    Podle stylu učení na sítě s učením

  • deterministickým (např. algoritmus Backpropagation)
  • stochastickým (náhodné nastavování vah)

    Aplikace

    Obrazové zpracování a počítačové vidění, včlenění neuronových sítí do porovnávání obrázků, předzpracování obrázků, počítačové vidění, obrázková komprese, stereo vidění a předzpracování a porozumnění časově proměnných zobrazovaných sekvencí obrázků.

    Rozpoznávání znaků, obsahující vyjádření vlastností ze znaků, rozpoznávání řeči a porozumnění rozpoznávání digitálně psaných znaků.

    Lékařství, obsahuje analýzu elektrokardiografických signálů a porozumnění jim, zpracování lékařských snímků.

    Umělá inteligence, implementace v expertních systémech, ve fuzzy logice apod.

    Výhody:

  • učení
  • mohou být navrženy adaptivně
  • generalizace

    Nevýhody:

  • nejsou "čisté" pravidla nebo návrhy základní koncepty pro libovolné aplikace
  • obtížná predikce výkonnosti sítě (predikce)
  • trénování může být obtížné eventuelně nemožné
  • není obecná cesta přístupu k vnitřním operacím sítě
  • ×Odeslání článku na tvůj Kindle

    Zadej svůj Kindle e-mail a my ti pošleme článek na tvůj Kindle.
    Musíš mít povolený příjem obsahu do svého Kindle z naší e-mailové adresy kindle@programujte.com.

    E-mailová adresa (např. novak@kindle.com):

    TIP: Pokud chceš dostávat naše články každé ráno do svého Kindle, koukni do sekce Články do Kindle.

    2 názory  —  2 nové  
    Hlasování bylo ukončeno    
    0 hlasů
    Google
    (fotka) Lukáš ChurýLukáš je šéfredaktorem Programujte, vyvíjí webové aplikace, fascinuje ho umělá inteligence a je lektorem na FI MUNI, kde učí navrhovat studenty GUI. Poslední dobou se snaží posunout Laser Game o stupeň výše a vyvíjí pro něj nové herní aplikace a elektroniku.
    Web     Twitter     Facebook     LinkedIn    

    Nové články

    Reklama
    Reklama
    Obrázek ke článku Blockchain & Bitcoin konference

    Blockchain & Bitcoin konference

    V pátek 19. 5. 2017 se v pražském konferenčním centru Andel’s konala Blockchain & Bitcoin konference. Řada odborníků a podnikatelů v oboru blockchainu a kryptoměn představila možnosti budoucího směřování tohoto oboru. Speakeři většinou rusky mluvící provenience prezentovali řešení svých firem založená na technologii blockchainu.

    Obrázek ke článku Malware KONNI se úspěšně skrýval 3 roky. Odhalil ho bezpečnostní tým Cisco Talos

    Malware KONNI se úspěšně skrýval 3 roky. Odhalil ho bezpečnostní tým Cisco Talos

    Bezpečnostní tým Cisco Talos odhalil celkem 4 kampaně dosud neobjeveného malwaru, který dostal jméno KONNI. Ten se dokázal úspěšně maskovat od roku 2014. Zpočátku se malware zaměřoval pouze na krádeže citlivých dat. Za 3 roky se ale několikrát vyvinul, přičemž jeho současná verze umožňuje útočníkovi z infikovaného počítače nejenom krást data, ale i mapovat stisky na klávesnici, pořizovat screenshoty obrazovky či v zařízení spustit libovolný kód. Pro odvedení pozornosti oběti zasílali útočníci v příloze také obrázek, zprávu a výhružkách severokorejského režimu či kontakty na členy mezinárodních organizací.

    Reklama autora

    loadingtransparent (function() { var po = document.createElement('script'); po.type = 'text/javascript'; po.async = true; po.src = 'https://apis.google.com/js/plusone.js'; var s = document.getElementsByTagName('script')[0]; s.parentNode.insertBefore(po, s); })();
    Hostujeme u Českého hostingu       ISSN 1801-1586       ⇡ Nahoru Webtea.cz logo © 20032017 Programujte.com
    Zasadilo a pěstuje Webtea.cz, šéfredaktor Lukáš Churý