User Tools
Site Tools
neuronove_site_modely_neuronu_topologie_siti_metoda_backpropagation
Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
neuronove_site_modely_neuronu_topologie_siti_metoda_backpropagation [2016/12/30 11:32] efox |
neuronove_site_modely_neuronu_topologie_siti_metoda_backpropagation [2017/01/02 19:21] (current) efox |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| - | ==== neuronová síť ==== | + | ====== neuronová síť ====== |
| + | [[https:// | ||
| + | |||
| + | Jsou dva druhy umělé inteligence - silná a slabá. Tou slabou se zabýváme my, silná umělá inteligence je spíše zatím scifi, protože modeluje mozek jako celek. | ||
| + | |||
| + | Neurony a síť v hlavě, kde každý elektrický výboj (když si mozek posílá informace nebo tak) je jako číslo. A cílem učení je najít správné nastavení těch čísel. Jak? Třeba minimalizací chyby metodou největšího spádu (buď letím nahoru nebo dolů, je to jedno) - což může ovšem občas selhat kvůli sedlovému bodu (což je lokální minimum) | ||
| * po propojení neuronů mezi sebou vzniká neuronová síť | * po propojení neuronů mezi sebou vzniká neuronová síť | ||
| * její předností je schopnost učit se, tedy zapamatovat si kombinace, které vedly k požadovanému výstupu a u nových vstupů se potom obracet na svoji paměť a na základě zkušeností odhadovat nový výsledek | * její předností je schopnost učit se, tedy zapamatovat si kombinace, které vedly k požadovanému výstupu a u nových vstupů se potom obracet na svoji paměť a na základě zkušeností odhadovat nový výsledek | ||
| - | * generalizace (zevšeobecňování) = přiměřená dovednost správně zareagovat i na vstupy, které nebyly součástí trénovacích dat, a vyvodit z n ich obecné závěry o datech | + | * generalizace (zevšeobecňování) = přiměřená dovednost správně zareagovat i na vstupy, které nebyly součástí trénovacích dat, a vyvodit z nich obecné závěry o datech |
| + | * Umělá neuronová síť (Arctifical Neural Network – ANN), také známá jako simulovaná neuronová síť (Simulated Neural Network – SNN) či neuronová síť, je skupina umělých neuronů, jenž jsou vzájemně propojeny; čili prakticky jde o snahu napodobit činnosti lidského mozku ve smyslu získání poznatků ze sítě pomocí procesu učení. Skupina neuronových sítí využívá matematický nebo výpočetní model pro zpracování informací na základě spojitého přístupu k výpočtu. Ve většině případů se jedná o adaptivní systém, který mění svou strukturu založenou na vnitřních nebo vnějších informacích které jí proudí. Používá se k modelování vztahu mezi vícerozměrnou vstupní proměnnou //x// a vícerozměrnou výstupní proměnnou //y//. | ||
| + | * Základní stavební jednotkou je neuron, který má libovolný počet vstupů x< | ||
| + | {{ :: | ||
| + | * V případě vícevrstvé neuronové sítě dochází k rozlišení tří typů vrstev: vstupní, výstupní a skryté (jsou skryty vnějšímu pozorovateli). | ||
| + | {{ :: | ||
| === učení | === učení | ||
| * **učení s učitelem** | * **učení s učitelem** | ||
| + | * ten už to umí a řekne mi, jestli jsem dobře nebo špatně, případně o kolik. Chyba jako funkce, která říká, jak moc se to naše doposud naučené řešení liší od toho ideálního řešení. | ||
| * pro jednotlivé tréninkové vstupy je znám požadovaný výstup a na základě rozdílu (chyby) mezi požadovaným a skutečným výstupem algoritmus provádí korekci vah, čímž dochází k adaptaci sítě | * pro jednotlivé tréninkové vstupy je znám požadovaný výstup a na základě rozdílu (chyby) mezi požadovaným a skutečným výstupem algoritmus provádí korekci vah, čímž dochází k adaptaci sítě | ||
| + | * **feed-forward-backpropagation** | ||
| + | * nejpoužívanější metoda učení s učitelem v případě vícevrstnaté sítě | ||
| + | - Feed-forward: | ||
| + | - backpropagation: | ||
| + | * | ||
| * **učení bez učitele** | * **učení bez učitele** | ||
| + | * hledáme odlišnosti (třeba černou ovci) | ||
| * nemá žádné vnější kritérium správnosti a dochází pouze k hledání vzorků se společnými vlastnostmi. | * nemá žádné vnější kritérium správnosti a dochází pouze k hledání vzorků se společnými vlastnostmi. | ||
| + | |||
| + | === přeučení sítě === | ||
| + | * malý počet neuronů v síti -> slabší schopnost vystihnout a popsat závislosti v trénovacích datech | ||
| + | * **přeučení** = příliš velký počet neuronů v síti -> slabší schopnost generalizace (vystihnutí správného výsledku na nových datech) | ||
| + | * taky při velkém počtu vstupních parametrů a relativně málo pozorování | ||
| + | |||
Permalink neuronove_site_modely_neuronu_topologie_siti_metoda_backpropagation.1483093949.txt.gz · Last modified: 2016/12/30 11:32 by efox
oeffentlich
