Слайд 2Цель работы:
Определить, насколько точно обучится нейросимулятор по заданным параметрам;
Посмотреть, сможет ли нейросимулятор
![Цель работы: Определить, насколько точно обучится нейросимулятор по заданным параметрам; Посмотреть, сможет](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-1.jpg)
определить внешний вид ребенка по параметрам, не входящим в обучающую выборку
Слайд 3Теоретические основы
Нейросеть представляет собой набор специальных математических функций с множеством параметров, которые
![Теоретические основы Нейросеть представляет собой набор специальных математических функций с множеством параметров,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-2.jpg)
настраиваются в процессе обучения на прошлых данных. В основе нейронных сетей лежит поведенческий подход к решению задачи, сеть учится на примерах, подстраивая свои параметры при помощи специальных обучающих алгоритмов.
Слайд 4С практической точки зрения методика принятия решения обученной нейросети проста, на входе
![С практической точки зрения методика принятия решения обученной нейросети проста, на входе](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-3.jpg)
задаются некоторые числовые данные, и нейросеть ищет похожие в исторических данных, на которых она обучалась.
Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети.
Слайд 5Практическая часть
Для работы я выбрал готовый нейросимулятор:
![Практическая часть Для работы я выбрал готовый нейросимулятор:](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-4.jpg)
Слайд 6Основной принцип работы нейросимулятора
Основной принцип работы этого нейросимулятора: сигналы, поступающие на входы
![Основной принцип работы нейросимулятора Основной принцип работы этого нейросимулятора: сигналы, поступающие на](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-5.jpg)
Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию.
Слайд 7Пример определения внешнего вида ребенка по параметрам родителей
На вход подавались следующие статистические
![Пример определения внешнего вида ребенка по параметрам родителей На вход подавались следующие](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-6.jpg)
данные:
рост папы;
рост мамы;
цвет волос папы;
цвет волос мамы;
цвет глаз папы;
цвет глаз мамы;
цвет кожи папы;
цвет кожи мамы;
вес папы;
вес мамы;
какой ребенок по счету.
Слайд 8Обучение
При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать
![Обучение При проектировании персептронов необходимо понимать, что персептрон должен не только правильно](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-7.jpg)
на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было
Слайд 9Кривые зависимости погрешностей обучения и обобщения от числа нейронов внутренних слоев персептрона
![Кривые зависимости погрешностей обучения и обобщения от числа нейронов внутренних слоев персептрона](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-8.jpg)
Слайд 11Результаты обучения (на основе обучающей выборки)
Результаты нейросетевого моделирования роста ребенка
![Результаты обучения (на основе обучающей выборки) Результаты нейросетевого моделирования роста ребенка](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-10.jpg)
Слайд 12Результаты нейросетевого моделирования веса ребенка
![Результаты нейросетевого моделирования веса ребенка](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-11.jpg)
Слайд 13Из данных графиков видно, что наша сеть обучилась очень хорошо. Она выдает
![Из данных графиков видно, что наша сеть обучилась очень хорошо. Она выдает](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-12.jpg)
результаты с минимальной ошибкой. Но нужно проверить, сможет ли сеть определить рост, вес, цвет глаз, волос и кожи ребенка по неизвестным ему параметрам. Для этого воспользуемся тестируемой выборкой и продемонстрируем результат.
Слайд 14Результаты тестируемой выборки определения роста ребенка
![Результаты тестируемой выборки определения роста ребенка](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-13.jpg)
Слайд 15Результаты тестируемой выборки определения веса ребенка
![Результаты тестируемой выборки определения веса ребенка](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/354231/slide-14.jpg)