SNN-w01.pdf

(301 KB) Pobierz
Sieci Neuronowe
Wykład 1
Wstęp do Sieci Neuronowych
wykład przygotowany wg.
W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, “Sieci Neuronowe”, Rozdz. 1.
Biocybernetyka i InŜynieria Medyczna, tom VI, AOFE, Warszawa 2000.
Wstęp do Sieci Neuronowych
1.
2.
3.
4.
5.
Wprowadzenie
Biologiczne inspiracje neurokomputingu
Podstawowy model neuronu i sieci neuronowej
Działanie sieci neuronowej i jej uczenie
Przykład sposobu działania i procesu uczenia
Popularność sieci neuronowych
Od wielu lat bardzo duŜym zainteresowaniem cieszą się sieci
neuronowe, jako wygodne narzędzie przydatne do rozwiązywania
bardzo wielu róŜnych praktycznych zadań.
Są z powodzeniem stosowane w niezwykle szerokim zakresie
problemów, w tak róŜniących się od siebie dziedzinach jak finanse,
medycyna, zastosowania inŜynierskie, geologia czy fizyka.
Potencjalne zastosowania:
wszędzie
tam gdzie pojawiają się problemy
związane z przetwarzaniem i analizą
danych, z ich predykcją, klasyfikacją
czy sterowaniem.
Potencjalne trudności:
stabilność i
wiarygodność metody.
Efektywność sieci neuronowych
jako nieliniowych modeli zjawisk i procesów
Sieci neuronowe są bardzo wyrafinowaną techniką modelowania, zdolną
do odwzorowywania nadzwyczaj złoŜonych funkcji. Mają
charakter
nieliniowy,
co istotnie wzbogaca moŜliwość ich zastosowań.
Przez wiele lat powszechnie stosowaną techniką matematycznego
opisywania róŜnych obiektów i procesów było
modelowanie liniowe.
Dla
tego typu modeli dobrze dopracowane/znane są strategie optymalizacji
przy ich budowie.
Często jednak nie ma podstaw do stosowania
aproksymacji liniowej
dla
danego problemu, modele liniowe się nie sprawdzają prowadząc do zbyt
szybko wyciąganych wniosków o “niemoŜności” matematycznego opisu
danego systemu.
Wówczas odwołanie się do modeli tworzonych przy pomocy sieci
neuronowych moŜe być najszybszym i najwygodniejszym rozwiązaniem
problemu. Sieci umoŜliwiają równieŜ kontrole nad złoŜonym problemem
wielowymiarowości, który przy innych podejściach znacząco utrudnia
próby modelowania funkcji nieliniowych z duŜą ilością zmiennych.
Efektywność sieci neuronowych
jako nieliniowych modeli zjawisk i procesów
Sieci neuronowe w praktyce
same konstruują
potrzebne uŜytkownikowi
modele, poniewaŜ automatycznie
uczą się
na podanych przez niego
przykładach.
→
uŜytkownik sieci gromadzi reprezentatywne dane
→
uruchamia algorytm uczenia, który ma na celu wytworzenie w
pamięci sieci potrzebnej struktury (modelu)
→
wyuczona sieć realizuje wszystkie potrzebne funkcje związane z
eksploatacją wytworzonego modelu.
UŜytkownik potrzebuje pewnej (głównie empirycznej) wiedzy dotyczącej
sposobu wyboru i przygotowania danych uczących, musi dokonać
właściwego wyboru architektury sieci neuronowej, umieć zinterpretować
wyniki... ale poziom wiedzy teoretycznej niezbędnej do skutecznego
zbudowania modelu, jest przy stosowaniu sieci neuronowych znacznie
niŜszy niŜ w przypadku stosowania tradycyjnych metod statystycznych.

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika:

Zgłoś jeśli naruszono regulamin