Основы искусственных нейтронных сетей

Содержание

Слайд 2

История и перспективы развития нейронных сетей. Области применения ИНС. Биологический нейрон и его математическая

История и перспективы развития нейронных сетей. Области применения ИНС. Биологический нейрон и
модель.

к.т.н., доцент Савченко Е.Ю.

Слайд 3

В истории развития нейронных сетей выделяют несколько этапов:

В истории развития нейронных сетей выделяют несколько этапов:

Слайд 8

Основные проблемы, решаемые искусственными нейронными сетями

Основные проблемы, решаемые искусственными нейронными сетями

Слайд 9

Ирисы Фишера - самый популярный в статистической литературе набор данных, часто используемый

Ирисы Фишера - самый популярный в статистической литературе набор данных, часто используемый
для иллюстрации работы различных алгоритмов классификации. При всем желании мы не смогли без него обойтись, поскольку в современных реальных приложениях редко встречаются такие компактные наборы данных, позволяющие построить хороший классификатор при минимуме исходных признаков.

Выборка состоит из 150 экземпляров ирисов трех видов, для которых измерялись четыре характеристики: длина и ширина чашелистика, длина и ширина лепестка.

Классификация образов

Задача классифика́ции — задача, в которой имеется множество объектов (ситуаций), разделённых некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся.

Слайд 10

Кластеризация / категоризация

Кластеризация (или кластерный анализ) — это задача разбиения множества

Кластеризация / категоризация Кластеризация (или кластерный анализ) — это задача разбиения множества
объектов на группы, называемые кластерами. Внутри каждой группы должны оказаться «похожие» объекты, а объекты разных группы должны быть как можно более отличны. Главное отличие кластеризации от классификации состоит в том, что перечень групп четко не задан и определяется в процессе работы алгоритма.

Применение
Маркетинг
Кластеризация широко используется при изучении рынка для обработки данных, полученных из различных опросов.
Может применяться для выделения типичных групп покупателей, разделения рынка для создания персонализированных предложений, разработки новых линий продукции.
Компьютерные науки
Подбор рекомендаций для пользователя на основе предпочтений других пользователей в данном кластере.
Медицина
Применяется для выявления шаблонов устойчивости к антибиотикам;
для кластеризации антибиотиков по типу антибактериальной активности.
Назад

Слайд 11

Основная задача аппроксимации — построение приближенной (аппроксимирующей) функции, в целом наиболее близко проходящей около данных

Основная задача аппроксимации — построение приближенной (аппроксимирующей) функции, в целом наиболее близко
точек или около данной непрерывной функции.

Аппроксимация функций

 

Синий цвет — исходная функция
Красный цвет — аппроксимация функции

Слайд 12

Предсказание / прогноз

 

Предсказание / прогноз

Слайд 13

Оптимизация

Многие проблемы в науке, технике, медицине и экономике могут рассматриваться как

Оптимизация Многие проблемы в науке, технике, медицине и экономике могут рассматриваться как
задачи оптимизации. Под задачей оптимизации понимается нахождение такого решения, которое удовлетворяет системе ограничений и обеспечивает экстремум заданной целевой функции

Под оптимизацией понимают процесс выбора наилучшего варианта из всех возможных. Большее количество задач сводятся к задачам оптимизации:
безусловная оптимизация нелинейных функций;
метод наименьших квадратов;
решение нелинейных уравнений;
линейное программирование;
квадратичное программирование;
условная минимизация нелинейных функций.

Слайд 15

Биологический нейрон и его математическая модель.

Нейрон (нервная клетка) является особой биологической

Биологический нейрон и его математическая модель. Нейрон (нервная клетка) является особой биологической
клеткой, которая обрабатывает информацию
(рис. 1.).
Рис. 1. Взаимосвязь биологических нейронов

Слайд 16


Рис. 2. Биологический нейрон

Рис. 2. Биологический нейрон

Слайд 17

Искусственный нейрон
Рис.3 Искусственный нейрон

Рис. 4. Нелинейная модель нейрона

Искусственный нейрон Рис.3 Искусственный нейрон Рис. 4. Нелинейная модель нейрона

Слайд 18

 

Рис. 5. Нелинейная модель нейрона

??=?(??+??) (3)

?1,?2,…,??-входные сигналы;
??1,??2,…,???- синаптические веса нейрона

Рис. 5. Нелинейная модель нейрона ??=?(??+??) (3) ?1,?2,…,??-входные сигналы; ??1,??2,…,???- синаптические веса
?;
??- линейная комбинация входных воздействий;
??- порог;
? (∙) - функция активации;
??- выходной сигнал нейрона

Слайд 19

где ??=0, ??= ?? (4)
Рис.6 Аффинное преобразование, вызванное наличием порога.

где ??=0, ??= ?? (4) Рис.6 Аффинное преобразование, вызванное наличием порога.

Слайд 20

 

Рис.7 Нелинейная модель нейрона

Рис.7 Нелинейная модель нейрона

Слайд 21

Типы функций активации
Функции активации, представленные в формулах как ?(.), определяют выходной

Типы функций активации Функции активации, представленные в формулах как ?(.), определяют выходной
сигнал нейрона в зависимости от индуцировано локального поля ?

Слайд 22

Типы функций активации
Функции активации, представленные в формулах как ?(.), определяют выходной

Типы функций активации Функции активации, представленные в формулах как ?(.), определяют выходной
сигнал нейрона в зависимости от индуцировано локального поля ?

Слайд 24

1

 

 

 

 

 

 

 

 

 

 

 

 

 

1
Имя файла: Основы-искусственных-нейтронных-сетей.pptx
Количество просмотров: 35
Количество скачиваний: 0