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

Umělá inteligence - 3Umělá inteligence - 3

 

Umělá inteligence - 3

Google       Google       5. 12. 2005       17 677×

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

    Obrázek ke článku Nový IT hráč na českém trhu

    Nový IT hráč na českém trhu

    V roce 2015 otevřela v Praze na Pankráci v budově City Tower své kanceláře společnost EPAM Systems (NYSE:EPAM), jejíž centrála se nachází v USA. Společnost byla založená v roce 1993 a od té doby prošla velkým vývojem a stále roste.

    Reklama
    Reklama
    Obrázek ke článku České Radiokomunikace opět hledají nejlepší nápady pro internet věcí

    České Radiokomunikace opět hledají nejlepší nápady pro internet věcí

    České Radiokomunikace (CRA) pořádají druhý ročník CRA IoT Hackathonů. Zájemci z řad vývojářů a fanoušků moderních technologií mohou změřit své síly a během jediného dne sestrojit co nejzajímavější funkční prototyp zařízení, které bude komunikovat prostřednictvím sítě LoRa. CRA IoT Hackathony se letos uskuteční ve dvou fázích, na jaře a na podzim, v různých městech České republiky. Jarní běh se odstartuje 31. března v Brně a 7. dubna v Praze.

    Obrázek ke článku Cloud computing je využíván stále intenzivněji

    Cloud computing je využíván stále intenzivněji

    Využívání cloud computingu nabývá na intenzitě. Jen v letošním roce vzroste podle analytiků trh se službami veřejného cloudu o 18 %, přičemž o téměř 37 % vzrostou služby typu IaaS. Růst o více než pětinu pak čeká služby poskytování softwaru formou služby, tedy SaaS. Aktuálním trendům v oblasti využívání cloudu se bude věnovat konference Cloud computing v praxi, která se koná 23. března. 2017 v pražském Kongresovém centru Vavruška na Karlově náměstí 5.

    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