Neurális hálózatok.... a gyakorlatban

Hasonló dokumentumok
Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla

Visszacsatolt (mély) neurális hálózatok

NEURÁLIS HÁLÓZATOK 1. eloadás 1

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Hibadetektáló rendszer légtechnikai berendezések számára

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Neurális hálózatok bemutató

Intelligens orvosi műszerek VIMIA023

Intelligens Rendszerek Elmélete

Kovács Ernő 1, Füvesi Viktor 2

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)

Bevezetés a neurális számításokba Analóg processzortömbök,

Konvolúciós neurális hálózatok (CNN)

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

I. LABOR -Mesterséges neuron

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.

FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Modellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

[1000 ; 0] 7 [1000 ; 3000]

Deep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök

AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Gépi tanulás a Rapidminer programmal. Stubendek Attila

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 7.

Debreceni Egyetem Informatikai Kar. Fazekas István. Neurális hálózatok

kodolosuli.hu: Interaktív, programozást tanító portál BALLA TAMÁS, DR. KIRÁLY SÁNDOR NETWORKSHOP 2017, SZEGED

Forgalmi modellezés BMEKOKUM209

Mintavételes szabályozás mikrovezérlő segítségével

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Megerősítéses tanulás

Programozási alapismeretek :: beadandó feladat. Felhasználói dokumentáció. Molnár Tamás MOTIABT.ELTE

Adatbányászati szemelvények MapReduce környezetben

Tanulás az idegrendszerben

Bevezetés a lágy számítás módszereibe. Neurális hálózatok Alapok

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók 2. Pataki Béla

Irányításelmélet és technika II.

A MESTERSÉGES NEURONHÁLÓZATOK BEVEZETÉSE AZ OKTATÁSBA A GAMF-ON

A félév során előkerülő témakörök

Neurális hálózatok MATLAB programcsomagban

1. Egészítsük ki az alábbi Python függvényt úgy, hogy a függvény meghatározza, egy listába, az első n szám faktoriális értékét:

1 Rendszer alapok. 1.1 Alapfogalmak

ELTE TáTK Közgazdaságtudományi Tanszék OKTATÁSGAZDASÁGTAN. Készítette: Varga Júlia. Szakmai felelős: Varga Júlia június

Technológia funkciók Számláló, PWM

1. Az automatizálás célja, és irányított berendezés, technológia blokkvázlata.

Kísérletek tervezése. A gyógyszertervezés lehetségei. Hagyományos módszer. Mi a Neurális hálózat?

Stratégiák tanulása az agyban

Osztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton

A hálózattervezés alapvető ismeretei

Irányításelmélet és technika II.

Irányítástechnika 2. előadás

Fejlett programozási nyelvek C++ Iterátorok

1. ábra A visszacsatolt erősítők elvi rajza. Az 1. ábrán látható elvi rajz alapján a kövezkező összefüggések adódnak:

1. Egy lineáris hálózatot mikor nevezhetünk rezisztív hálózatnak és mikor dinamikus hálózatnak?

A RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8.

Google Summer of Code Project

Egészítsük ki a Drupal-t. Drupal modul fejlesztés

Szerző Lővei Péter LOPSAAI.ELTE IP-08PAEG/25 Daiki Tennó

Mély neuronhálók alkalmazása és optimalizálása

A digitális analóg és az analóg digitális átalakító áramkör

KONVOLÚCIÓS NEURONHÁLÓK. A tananyag az EFOP pályázat támogatásával készült.

Algoritmuselmélet 12. előadás

14. Mediánok és rendezett minták

Gépi tanulás a gyakorlatban. Lineáris regresszió

Bevezetés az informatikába

Algoritmusok helyességének bizonyítása. A Floyd-módszer

Számítógépek felépítése, alapfogalmak

rendszerszemlélető, adatközpontú funkcionális

Perceptron konvergencia tétel

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

KINF modulzáró ellenőrző kérdések és feladatok 2a.

Automatizált frekvenciaátviteli mérőrendszer

MIKE URBAN WATER DISTRIBUTION

Operációs rendszerek 1.

Az egységugrás függvény a 0 időpillanatot követően 10 nagyságú jelet ad, valamint K=2. Vizsgáljuk meg a kimenetet:

D/A konverter statikus hibáinak mérése

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA

10. gyakorlat Tömb, mint függvény argumentum

Módszertani áttekintés

DIGITÁLIS TECHNIKA 7. Előadó: Dr. Oniga István

Neurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL

A fordítóprogramok szerkezete. Kódoptimalizálás. A kódoptimalizálás célja. A szintézis menete valójában. Kódoptimalizálási lépések osztályozása

Tisztelt Hallgatók! Jó tanulást kívánok, üdvözlettel: Kutor László

5. Hét Sorrendi hálózatok

Műszaki diagnosztika mesterséges neuronhálózatok alkalmazásával

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

A sz.ot.ag. III. Magyar Számítógépes Nyelvészeti Konferencia december 8. Bíró Tamás, ELTE, Budapest / RUG, Groningen, NL 1/ 16

Digitális Technika. Dr. Oniga István Debreceni Egyetem, Informatikai Kar

MÉRŐERŐSÍTŐK EREDŐ FESZÜLTSÉGERŐSÍTÉSE

Szerző. Varga Péter ETR azonosító: VAPQAAI.ELTE cím: Név: Kurzuskód:

Csima Judit április 9.

Átírás:

Neurális hálózatok... a gyakorlatban

Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 2

2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 3

Letöltés nik.uni-obuda.hu/nagygabi JavaNNS-Win.zip 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 4

Használata Meglévő hálózat megnyitása *.net: a hálózat leírása *.pat: tanítóminta Control Panel/Patterns Learning set (tanításhoz használt minta) Validation set (ellenőrző minta) lapozható, a hálózaton látszik a bemenet-kimenet Update fülön: ellenőrzés 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 5

Használata Új hálózat létrehozása Tools/Create/Layers... réteg típusának kiválasztása! (Unit type) Tools/Create/Connections... előrecsatolt hálózat (feed forward) Tanítás Control Panel/Initializing Control Panel/Learning tanító algoritmus és paramétereinek kiválasztása 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 6

2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 7

AForge.NET Andrew Kirillov C# nyelven íródott forráskóddal, példákkal közzétéve http://www.codeproject.com/kb/recipes/a forge.aspx 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 8

Letöltés nik.uni-obuda.hu/nagygabi neuralis_demo.zip NeuroFeladat.zip 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 9

Egyszerűsített változat Egy tanítható réteggel rendelkező hálózat osztályozási feladatra. Osztályok: ActivationNeuron ActivationLayer ActivationNetwork PerceptronLearning ThresholdFunction 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 10

Egyszerűsített változat Átviteli függvénye: egységugrás 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 11

Feladat Egészítsük ki a programot a tanult algoritmusokkal! neuron kimenetének számítása felügyeletes tanító algoritmus: súlytényezők korrekciója 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 12

Segítség 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 13

Megoldás 1 double sum = 0.0; for (int i = 0; i < inputscount; i++) { sum += weights[i] * input[i]; } sum += threshold; // a kimenet az átviteli függvény értéke return (output = function.function(sum)); 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 14

Megoldás 2 for (int i = 0; i < layer.neuronscount; i++) { double e = output[i] - networkoutput[i]; if (e!= 0) { ActivationNeuron neuron = layer[i]; for (int j = 0; j<neuron.inputscount; j++) { neuron[j] += learningrate*e*input[j]; } neuron.threshold += learningrate * e; error += Math.Abs(e); } } 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 15

Felkészülést segítő kérdések Neurális hálózat tervezésénél mely jellemzőket kell előre eldönteni? Hogyan épül fel egy mesterséges neuron? Melyek a gyakran használt átviteli függvények? Jellemezd az előrecsatolt rétegelt topológiát! Jellemezd a visszacsatolt rétegelt topológiát! Mi a hiba visszaterjesztés lényege? Nevezz meg egy felügyeletes tanító szabályt! Nevezz meg egy önszerveződő tanító szabályt! Milyen összefüggéssel jellemezhetjük a hálózat hibáját? Képes-e a neurális hálózat ismeretlen (nem tanult) inputot feldolgozni? 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 16

Felkészülést segítő kérdések Hogyan függ össze a tanítási tényező nagysága a tanítás időtartamával? Hogyan függ össze a tanítási tényező nagysága a tanítás pontosságával? Miért fontos a reprezentatívan választott tanító adatsor? Meg lehet-e oldani lineárisan nem elválasztható problémákat (XOR, két spirál probléma) egy tanítható rétegű hálózattal? Miért?/Miért nem? Tanítható réteg-e a bemeneti réteg? A kimeneti réteg? A rejtett rétegek? Mit jelent az, ha egy előrecsatolt rétegelt hálózatra azt mondjuk, hogy "teljesen összekötött"? 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 17

Kiegészítő anyagok http://www.ra.cs.uni-tuebingen.de/snns/ http://www.aforgenet.com/framework/ http://www.jeffheaton.com/ai/ http://www.aijunkie.com/ann/evolved/nnt1.html http://www.willamette.edu/~gorr/classes/c s449/intro.html 2012/13. tavasz nagy.gabriella@nik.uni-obuda.hu 18