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

Umělá inteligence - 3Umělá inteligence - 3

 
Hledat
Moderní platforma pro vytvoření vašeho nového webu – Wix.com.
Nyní už můžete mít web zdarma.
Vybavení pro Laser Game
Spuštěn Filmový magazín

Umělá inteligence - 3

Google       Google       5. 12. 2005       18 796×

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 NopCommerce – dervisní vrstva – 3. díl

    NopCommerce – dervisní vrstva – 3. díl

    V minulém díle jsme se podívali trochu podrobněji na datovou vrstvu systému NopCommerce. V dnešním díle navážeme na předchozí znalosti, aby se naše pochopení systému zase o něco víc prohloubilo. Zaměříme se na dvě důležité oblasti a to Nop.Core projekt, který udržuje nejen doménu, ale obsahuje i infrastrukturní prvky. Dále se podíváme na projekt Nop.Service, který obsahuje obchodní logiku.

    Reklama
    Reklama
    Obrázek ke článku První český hackathon ve vlaku inspirovaly služby jako  Tinder, Airbnb nebo Uber

    První český hackathon ve vlaku inspirovaly služby jako Tinder, Airbnb nebo Uber

    Patnáct set kilometrů, cesta přes dva státy, šestnáct hodin programování a přísun energy drinků, tak by se dal shrnout unikátní hackathon ve vlaku pořádaný Kiwi.com. Z Prahy do Košic a zpět se svezlo celkem 13 týmů, každý s originálním nápadem. Hlavní výhru, voucher na letenky v hodnotě 2 500 EUR, si v Praze převzal tým až z Ukrajiny.

    Obrázek ke článku Gamifikace nakupování dorazila i do České republiky

    Gamifikace nakupování dorazila i do České republiky

    Zákazníci zejména retailových společností jsou často znuděni klasickými věrnostními či motivačními programy. Většinou z toho důvodu, že jsou jeden jako druhý a nepřináší nic nového. Ale i v České republice se projevují zahraniční trendy, nedávno zde totiž vstoupila na trh a rychle se uchytila nová platforma kombinující to nejlepší z věrnostních a motivačních programů, která navíc využívá prvky gamifikace – Rondo.cz. Na hlavní milníky vývoje nálad a motivace zákazníků a nejnovější trendy se zaměřil Jan Hřebabecký, spoluzakladatel Rondo.cz

    Celý článekGoogle2. listopadu 2017PR
    Reklama autora

    Hostujeme u Českého hostingu       ISSN 1801-1586       ⇡ Nahoru Webtea.cz logo © 20032018 Programujte.com
    Zasadilo a pěstuje Webtea.cz, šéfredaktor Lukáš Churý