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       17 517×

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 RAD Studio a Windows Store

    RAD Studio a Windows Store

    RAD Studio je první vývojové prostředí se zabudovanou podporou balení aplikací typu Win32 a Win64 pro jejich umístění a šíření prostřednictvím Windows 10 Store.

    Reklama
    Reklama
    Obrázek ke článku Testujte na 2 400+ Android a iOS zařízení

    Testujte na 2 400+ Android a iOS zařízení

    V dnešní době, kdy většina softwaru pro mobilní aplikace je tvořena a distribuována průběžně, mnohdy do celého světa je třeba zajistit také průběžnou automatizaci testování mobilního softwaru. V případě mobilních aplikací pro Android a iOS začíná být problém, jak testovat na obrovském množství kombinací HW variant, rozměrů, edic operačních systémů různých výrobců v různých částech světa na reálných zařízení. Simulátory a emulátory nejsou většinou to pravé. Pokud již testuji, jak si udělat vlastní beta distribuci opravdovým reálným testerům napříč platformami?

    Obrázek ke článku Funkcie main vo Windows API

    Funkcie main vo Windows API

    V tretej časti seriálu o Windows API budeme hovoriť o funkčných prototypoch main. Funkčný prototyp je tvorený názvom funkcie a typom signatúry, pričom sa vynecháva telo funkcie. 

    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