NH. Neurális hálózatok – Tananyagbővítés by Altrichter, Márta -- Read -- Imperial Library of Trantor

Index

NH. Neurális hálózatok – Tananyagbővítés

Bevezetés

Gépi intelligencia II. - Bevezetés a neurális hálózatok elméletébe

Tartalom Előadás dia-sorozat

1. A neurális hálózatok felépítése, képességei

A neurális hálózat definíciója, működése

Összefoglalás Tárgyalt témakörök Javasolt kiegészítő olvasmányok Kérdések Biológiai érzékelők és tanulságok a technikai adaptáláshoz -diasorozat

A neurális hálózat elemei, topológiája A neurális hálózatok alapvető számítási képességei, felhasználási területei A neurális hálózatok approximációs képessége

2. Tanulás adatokból

Ellenőrzött tanulás (tanítóval történő tanítás) Nemellenőrzőtt tanulás A statisztikus tanuláselmélet alapjai

Az általánosítási hibakorlátra adható becslés felhasználása (BME)

A feladat célkitűzése A feladat leírása

Tanulás és statisztikai becslések Determinisztikus és sztochasztikus szélsőérték-kereső eljárások Gépi intelligencia II. - 9. Teljesítményoptimalizálás

Tartalom Előadás dia-sorozat

3. Az elemi neuron

A Rosenblatt perceptron Az adaline Egy processzáló elem szigmoid kimeneti nemlinearitással További elemi neuronok

4. A többrétegű perceptron (MLP)

Az MLP felépítése Az MLP tanítása, a hibavisszaterjesztéses algoritmus Az MLP konstrukciójának általános kérdései

5. Bázisfüggvényes hálózatok

Az RBF (Radiális Bázisfüggvényes) hálózat

Kétkerekű robot vezérlése tetszőleges kezdőpontból

A feladat leírása Elméleti háttér Az eredmények értékelése Irodalomjegyzék

A CMAC hálózat Az MLP és a bázisfüggvényes hálózatok összehasonlítása

6. Kernel módszerek

Egy egyszerű kernel gép Kernel függvények Szupport Vektor Gépek SVM változatok Kernel CMAC: egy LS-SVM gép véges tartójú kernel függvényekkel A kernel gépek összefoglaló értékelése

7. Ellenőrzött tanítású statikus hálók alkalmazásai

Felismerési feladatok (képosztályozás) Szövegosztályozás Ipari folyamatok modellezése

8. Időfüggő (szekvenciális) hálók

Regresszorválasztás, modellstruktúra választás Dinamikus neurális modellek Előrecsatolt időfüggő hálózatok Visszacsatolt (rekurzív) hálózatok

Hibavisszaterjesztés időbeli kiterítéssel, feladat (BME)

A feladat célkitűzése: A feladat leírása, kérdések: A feladat megoldása

A megoldás lényege: Részletes megoldás:

Dinamikus hálózatok kialakításának néhány további lehetősége Dinamikus hálók alkalmazása

9. Moduláris hálók

Moduláris háló kialakítása feladat dekompozíció alapján Szakértőegyüttesek Moduláris háló kialakítása a tanító mintakészlet módosításával A moduláris eljárások összefoglaló értékelése

10. Nemellenőrzőtt tanulású hálózatok

Gépi intelligencia II. - Felügyelt Hebb-féle tanulás

Tartalom Előadás dia-sorozat

Kohonen háló, kompetitív hálózatok Adattömörítés Hebb tanuláson alapuló hálózatokkal, PCA, KLT. Nemlineáris PCA és altér hálók

Nemlineáris PCA és altér hálók

példa: fekete-fehér képek szétválasztása példa: színes textúrák: példa: beszédjelek szétválasztása példa: vegyes hangjelek (beszéd és zene) szétválasztása példa: szinusz jelek

11. Analitikus tanítású hálózatok

A Hopfield hálózat A Boltzmann gépek Mean-field hálózatok Hopfield típusú hálózatok alkalmazása optimalizációs problémákra

12. Hibrid-neurális rendszerek

Az a priori tudás felhasználása virtuális minták generálására Az a priori tudás beépítése a tanuló eljárásba KBANN, a tudás alapú neurális hálózat

13. Gyakorlati feladatmegoldás: adatelőkészítés, lényegkiemelés

Zajos adatok Az adatok előfeldolgozása Kilógó adatok Hiányzó adatok

A feladat célkitűzése A feladat leírása Megjegyzések:

Lényegkiemelés

A. Összegzés, várható fejlődési irányok B. Függelék C. Irodalom

← Prev
Back
Next →

← Prev
Back
Next →