ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ"

Transcript

1 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ Μάθηµα 3. ΕΡΩΤΗΜΑ Ένας αισθητήρας µπορεί να µάθει: a. εδοµένα που ανήκουν σε 5 διαφορετικές κλάσεις. b. εδοµένα που ανήκουν σε κλάσεις. c. εδοµένα που ανήκουν σε 3 διαφορετικές κλάσεις. d. εδοµένα που ανήκουν σε µη γραµµικά διαχωριζόµενες κλάσεις. Σωστό είναι το (β) εδοµένα που ανήκουν σε κλάσεις Ένας αισθητήρας παράγει δύο εξόδους (0 και ), άρα µαθαίνει δεδοµένα που ανήκουν σε δύο κλάσεις. ΕΡΩΤΗΣΗ Ένας αισθητήρας έχει βάρη εισόδου w=3. και w=.9 καθώς και κατώφλι µε τιµή θ=0.4 (µε τιµή εισόδου κατωφλίου ). Τι τιµή θα παράγει ο αισθητήρας για είσοδο x=. και x=.3; a. 0 b c. d Σωστό είναι το (c). Η εξοδος είναι. ΤΕΣΤ 4 / ΑΣΚΗΣΗ. ΕΡΩΤΗΣΗ 3 Ένας αισθητήρας δύο εισόδων, µε συνάρτηση ενεργοποίησης τη McCulloch-Pitts, µε βάρη w=, w=.5 και θ=0.5 θέλουµε να λύνει το πρόβληµα OR. οκιµάζεται µε το διάνυσµα εισόδου (0,). Ποιο είναι το σφάλµα που προκύπτει; a. - ½ b. ½ c. 0 d. Σωστό είναι το (c). Το σφάλµα είναι 0. ΤΕΣΤ 4 / ΑΣΚΗΣΗ. ΕΡΩΤΗΣΗ 4 Ένας αισθητήρας δύο εισόδων, µε συνάρτηση ενεργοποίησης τη McCulloch-Pitts, µε βάρη w=, w=.5 και θ=0.5 θέλουµε να λύνει το πρόβληµα AND. Ποιο είναι το σφάλµα για το διάνυσµα εισόδου (0,); a. - ½ b. ½ c. 0 d. - Σωστό είναι το (d). Το σφάλµα είναι -. ΤΕΣΤ 4 / ΑΣΚΗΣΗ.3

2 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΕΡΩΤΗΣΗ 5 Ένας αισθητήρας δύο εισόδων, µε συνάρτηση ενεργοποίησης τη McCulloch-Pitts, µε βάρη w=, w=.5 και θ=0.5 θέλουµε να λύνει το πρόβληµα OR. οκιµάζεται µε το διάνυσµα εισόδου (0,0). Ποιο είναι το σφάλµα που προκύπτει; a. b. -/ c. 0 Σωστό είναι το (c). Το σφάλµα είναι 0. ΤΕΣΤ 4 / ΑΣΚΗΣΗ.4 ΕΡΩΤΗΣΗ 6 Ποιές από τις παρακάτω λογικές συναρτήσεις είναι γραµµικά διαχωρίσιµες; (i) AND (ii) OR (iii) XOR (iv) NAND (v) NOT XOR α. AND και NAND β. XOR και NAND γ. AND, OR και XOR δ. AND, OR και NAND ε. Όλες Σωστό είναι το ( ). Γνωρίζουµε ότι η XOR και η XNOR είναι οι µόνες δύο λογικές πύλες που δεν είναι γραµµικά διαχωρίσιµες. ΕΡΩΤΗΣΗ 7 Ένα απλό perceptron έχει νευρώνες εισόδου, βηµατική συνάρτηση ενεργοποίησης, βάρη µε τιµές,5 και -,5 αντίστοιχα και κατώφλι µε τιµή,6. Ποια είναι η έξοδος µε το διάνυσµα εισόδου x=[3,] T ; a. 0 b..6 c. d. 4.5 e..5 Σωστό είναι το (Α). ΤΕΣΤ 30 / ΑΣΚΗΣΗ. ΕΡΩΤΗΣΗ 8 Η ενεργοποίηση του αισθητήρα (perceptron) εξαρτάται µόνο από τις τιµές στα: a. βάρη των συνδέσεων, τιµές κατωφλίου b. κανένα από τα εναλλακτικά c. βάρη των συνδέσεων, τιµές εισόδου, τιµή κατωφλίου d. βάρη των συνδέσεων, τιµές εισόδου, τιµή κατωφλίου, σφάλµα στην έξοδο e. βάρη των συνδέσεων, τιµές εισόδου Σωστό είναι το (C). ΤΕΣΤ 30 / ΑΣΚΗΣΗ.

3 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 3 ΕΡΩΤΗΣΗ 9 Ένα απλό perceptron έχει νευρώνες εισόδου, βηµατική συνάρτηση ενεργοποίησης, βάρη µε τιµές 0. και -0.5 αντίστοιχα και κατώφλι µε τιµή -0.. Ποια είναι η έξοδος µε το διάνυσµα εισόδου x=[,] T ; a. b. - c. 0 d. Σωστό είναι το (C). ΤΕΣΤ 30 / ΑΣΚΗΣΗ.3 ΕΡΩΤΗΣΗ 0 Ένας αισθητήρας δύο εισόδων, µε συνάρτηση ενεργοποιήσης τη McCullogh-Pitts µε βάρη w=.5, w=.5 και θ=0.5 θέλουµε να λύνει το πρόβληµα του OR. οκιµάζεται το διάνυσµα εισόδου (0,). Ποιο είναι το σφάλµα που προκύπτει; a. 0 b. -/ c. / d. Σωστό είναι το (Α). ΤΕΣΤ 30 / ΑΣΚΗΣΗ.4 ΕΡΩΤΗΣΗ Ποια/ες από τις παρακάτω προτάσεις συµπληρώνει/ουν ορθά την «Η γνώση αποκτάται από ένα νευρωνικό δίκτυο από το περιβάλλον του µε τη διαδικασία της µάθησης και i» Α. iαποθηκεύεται στις συνδέσεις των βαρών µεταξύ των νευρώνων του Βi. Αποθηκεύεται στις συνδέσεις των νευρώνων µεταξύ των βαρών του Γi. Αποθηκεύεται στα βάρη των συνδέσεων µεταξύ των νευρώνων του i Αποθηκεύεται στα βάρη των νευρώνων µεταξύ των συνδέσεών του Σωστό τo (Γ) ΤΕΣΤ 30 / ΑΣΚΗΣΗ.5 ΕΡΩΤΗΣΗ Αναγνωρίστε τις παρακάτω συναρτήσεις ενεργοποίησης: Α. (i) Βηµατική (ii) Γραµµική (iii) Βηµατική Β. (i) Βηµατική (ii) Γραµµική (iii) Σιγµοειδής C. (i) Βηµατική (ii) Σιγµοειδής (iii) Γραµµική D. (i) Σιγµοειδής (ii) Γραµµική (iii) Σιγµοειδής Σωστό το Β (Προφανές από την θεωρία).

4 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 4 Μάθηµα 3. ΕΡΩΤΗΣΗ Αν σε έναν αισθητήρα δοθεί ένα µη γραµµικά διαχωρίσιµο σετ δεδοµένων, τότε τι συµβαίνει κατά τη διάρκεια της εκπαίδευσης; a. Τα βάρη του δικτύου δεν θα σταθεροποιηθούν και η γραµµή απόφασης δεν θα σταµατήσει να κινείται b. Τα βάρη του δικτύου θα σταθεροποιηθούν, αλλά δεν θα µπορούµε να σχεδιάσουµε γραµµή απόφασης. c. Τα βάρη του δικτύου θα σταθεροποιηθούν και θα δηµιουργήσουν την πιο καλή δυνατή γραµµή απόφασης. d. Τα βάρη του δικτύου θα σταθεροποιηθούν, αλλά η γραµµή απόφασης δεν θα σταµατήσει να κινείται. Σωστό είναι το (α) Τα βάρη του δικτύου δεν θα σταθεροποιηθούν και η γραµµή απόφασης δεν θα σταµατήσει να κινείται ΤΕΣΤ 5 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ Η/Οι βασική/ές διαφορά/ές µεταξύ κανόνα Perceptron και κανόνα έλτα είναι: a. Όλα τα εναλλακτικά που δίνονται. b. Ο έλτα χρησιµοποιεί την έξοδο και ελαχιστοποιεί τη συνάρτηση σφάλµατος. c. Ο έλτα συγκλίνει ακόµη και αν τα δεδοµένα δεν είναι γραµµικά διαχωριζόµενα. d. Αν τα δεδοµένα είναι γραµµικά διαχωριζόµενα, ο Perceptron συγκλίνει. e. Ο Perceptron χρησιµοποιεί το κατώφλι. Σωστό είναι το (Α) όλα τα εναλλακτικά που δίνονται Ο κανόνας έλτα (είναι ο κανόνας διόρθωσης των βαρών: w=w+η*δ*y όπου δ=e*φ (v)), ενώ ο κανόνας Perceptron (είναι ο κανόνας διόρθωσης των βαρών w=w+η*e*x) και ισχύουν από την θεωρία τα ζητούµενα. ΕΡΩΤΗΜΑ 3 Ποιά είναι µία βασική διαφορά ανάµεσα στη µάθηση µε τον κανόνα PERCEPTRON και στη µάθηση µε τον κανόνα ΕΛΤΑ για ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης µε ένα κρυµµένο επίπεδο; α. εν υπάρχει διαφορά. β. Ο κανόνας ΕΛΤΑ ορίζεται για βηµατικές συναρτήσεις ενεργοποίησης ενώ ο κανόνας PERCEPTRON ορίζεται για γραµµικές συναρτήσεις ενεργοποίησης. γ. Ο κανόνας ΕΛΤΑ ορίζεται για σιγµοειδείς συναρτήσεις ενεργοποίησης ενώ ο κανόνας PERCEPTRON ορίζεται για γραµµικές συναρτήσεις ενεργοποίησης. δ. Ο κανόνας ΕΛΤΑ ορίζεται για συνεχείς συναρτήσεις ενεργοποίησης ενώ ο κανόνας PERCEPTRON ορίζεται για βηµατικές συναρτήσεις ενεργοποίησης. Σωστό είναι το ( ) Ο κανόνας έλτα (είναι ο κανόνας διόρθωσης των βαρών: w=w+η*δ*y όπου δ=e*φ (v)) στον οποίο η διόρθωση των βαρών γίνεται χρησιµοποιώντας την παράγωγο του δυναµικού, άρα η συνάρτηση πρέπει να είναι συνεχής, ενώ ο κανόνας Perceptron (είναι ο κανόνας διόρθωσης των βαρών w=w+η*e*x) απαιτεί τη χρήση της βηµατικής συνάρτησης ενεργοποίησης. ΤΕΣΤ 3 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ 4 Ένα απλό perceptron έχει νευρώνες εισόδου, βηµατική συνάρτηση ενεργοποίησης, βάρη µε τιµές 0, και -0,5 αντίστοιχα και κατώφλι µε τιµή -0,. Το perceptron εκπαιδεύεται µε τον κανόνα, όπου x είναι το διάνυσµα εισόδου, η ο ρυθµός µάθησης, w είναι το διάνυσµα βαρών, d η επιθυµητή έξοδος και y η πραγµατική έξοδος. Ποιές είναι οι νέες τιµές βαρών και κατωφλιών µετά από ένα βήµα εκπαίδευσης µε το διάνυσµα εισόδου x=[0,] T, επιθυµητή έξοδο και ρυθµός µάθησης η=0,;

5 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 5 a. w = 0,, w = 0,5, θ = 0,. b. w = 0,4, w = 0,5, θ = 0,4. c. w = 0,0, w = 0,5, θ = 0,0. d. w = 0,, w = 0,3, θ = 0,4. e. w = 0,, w = 0,3, θ = 0,0. Σωστό είναι το (D),0,, d W x 0., 0., Αφού η έξοδος είναι y 0. Σφάλµα: error d y 0. Τα βάρη αλλάζουν W W η error x ΕΡΩΤΗΜΑ 5 Ένα απλό perceptron έχει νευρώνες εισόδου, βηµατική συνάρτηση ενεργοποίησης, βάρη µε τιµές 0, και -0,5 αντίστοιχα και κατώφλι µε τιµή -0,. Το perceptron εκπαιδεύεται µε τον κανόνα, όπου x είναι το διάνυσµα εισόδου, η ο ρυθµός µάθησης, w είναι το διάνυσµα βαρών, d η επιθυµητή έξοδος και y η πραγµατική έξοδος. Ποιά είναι η εξίσωση της ευθείας που διαχωρίζει τις περιοχές απόφασης µετά από ένα βήµα εκπαίδευσης µε το διάνυσµα εισόδου x=[0,] T, επιθυµητή έξοδο και ρυθµός µάθησης η=0,; a. x = 0 b. x = 0,800x + 0,800 c. x = 0,400x + 0,400 d. x = 0,667x e. x = 0,667x +,333 Σωστό είναι το (Ε) 0.4 Από το προηγούµενο ερώτηµα το διάνυσµα βαρών (µετά τη διόρθωση) είναι: 0.. Συνεπώς η ευθεία είναι: " 0.3 # " 0.3 # # 0. " 0.4 # &.# &. " &.' &. # ".333 ΕΡΩΤΗΜΑ 6 Ένα απλό perceptron έχει νευρώνες εισόδου, βηµατική συνάρτηση ενεργοποίησης, βάρη µε τιµές 0, και -0,5 αντίστοιχα και κατώφλι µε τιµή -0,. Ποιά είναι η εξίσωση της ευθείας που διαχωρίζει τις περιοχές απόφασης; a. x = 0,800x + 0,800 b. x = 0,667x c. x = 0,667x +,333 d. x = 0 e. x = 0,400x + 0,400

6 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 6 Σωστό είναι το (Ε) H εξίσωση ευθείας είναι: 0. " 0.5 # " 0.5 # # 0. " 0. # &.# &.* " &.# &.* # 0.4 " 0.4 ΕΡΩΤΗΜΑ 7 Ποιά από τις παρακάτω εκφράσεις είναι η καλύτερη περιγραφή για τον κανόνα ΕΛΤΑ; Επιλέξτε µια απάντηση: a. Μία επαναλαµβανόµενη εφαρµογή ενός σήµατος εισόδου ταυτόχρονα µε την απόκριση ενός νευρώνα θα οδηγήσει στην ισχυροποίηση των συνάψεων που εµπλέκονται. b. Το βάρος ενός σήµατος εισόδου αυξάνεται αν η είσοδος είναι πάντα ενεργή. c. Τα βάρη των συνάψεων των νευρώνων προσαρµόζονται για να µειώσουν το λάθος ανάµεσα στην επιθυµητή και στην πραγµατική έξοδο του συστήµατος. d. Γίνεται οπισθοδιάδοση του σφάλµατος που παρατηρείται στη συνάρτηση ενεργοποίησης. Σωστό είναι το (C) Ο κανόνας έλτα (είναι ο κανόνας διόρθωσης των βαρών: w=w+η*δ*y όπου δ=e*φ (v)) στον οποίο η διόρθωση των βαρών γίνεται χρησιµοποιώντας την παράγωγο της συνάρτησης ενεργοποίησης του δυναµικού, είναι ένας τύπος που συνεκτιµά το σφάλµα που παράγεται από τον νευρώνα και διορθώνει τα βάρη των συνάψεων. Μάθηµα 3.3 ΕΡΩΤΗΣΗ Στο παρακάτω σύνολο δεδοµένων ποιός είναι ο ελάχιστος αριθµός γραµµών που πρέπει να σχεδιαστεί ώστε να διαχωρίζονται οι δύο κλάσεις δεδοµένων; a. 3 b. c. d. 4 ΣΩΣΤΟ είναι το (c) Ο ελάχιστος αριθµός γραµµών είναι ΤΕΣΤ 5 / ΑΣΚΗΣΗ. ΕΡΩΤΗΣΗ

7 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 7 Στο παρακάτω σύνολο δεδοµένων ποιος είναι ο ελάχιστος αριθµός από perceptrons που χρειαζόµαστε στο επίπεδο εξόδου; a. 3 b. c. d. 4 ΣΩΣΤΟ είναι το (β) νευρώνας εξόδου ΤΕΣΤ 5 / ΑΣΚΗΣΗ.3 ΕΡΩΤΗΣΗ 3 Στο παρακάτω σύνολο δεδοµένων ποιος είναι ο ελάχιστος αριθµός από perceptrons που χρειαζόµαστε στο επίπεδο εξόδου; a. 3 b. c. d. 4 ΣΩΣΤΟ είναι το (β) νευρώνας εξόδου ΤΕΣΤ 5 / ΑΣΚΗΣΗ.4 ΕΡΩΤΗΣΗ 4 Στο παρακάτω σύνολο δεδοµένων ποιός είναι ο ελάχιστος αριθµός γραµµών που πρέπει να σχεδιαστεί ώστε να διαχωρίζονται οι δύο κλάσεις δεδοµένων;

8 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 8 a. 3 b. c. d. 4 ΣΩΣΤΟ είναι το (α) 3 ΤΕΣΤ 5 / ΑΣΚΗΣΗ.5 ΕΡΩΤΗΣΗ 5 Σε κάποια δεδοµένα (λευκές και µαύρες κουκίδες), η κατανοµή της µιας κλάσης (λευκές κουκίδες) ακολουθεί την κανονική κατανοµή που φαίνεται στο σχήµα. Το όριο διαχωρισµού των κλάσεων µπορεί να προσεγγιστεί από πόσα perceptrons; a. 5 b. c. 3 d. 4 Σωστό είναι το (c) Προσεγγίζεται από 3 ευθείες (Η εξήγηση είναι ξανακάνοντας το σχήµα και ζωγραφίζοντας τις τρεις ευθείες που διαχωρίζουν τα δεδοµένα. Σηµείωστε επίσης ότι ο διαχωρισµός µπορεί να γίνει και µε δύο ευθείες) ΕΡΩΤΗΣΗ 6 Σε κάποια δεδοµένα (λευκές και µαύρες κουκίδες), η κατανοµή της µιας κλάσης (λευκές κουκίδες) ακολουθεί την κανονική κατανοµή που φαίνεται στο σχήµα. Το όριο διαχωρισµού των κλάσεων µπορεί να προσεγγιστεί από πόσα perceptrons το πολύ;

9 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 9 a. 4 ή 5 b. 3 ή 4 c. 5 ή 6 d. ή 3 Σωστό είναι το (d). ή 3 (Η εξήγηση είναι ξανακάνοντας το σχήµα και ζωγραφίζοντας τις (δύο ή) τρεις ευθείες που διαχωρίζουν τα δεδοµένα) ΕΡΩΤΗΣΗ 7 ίνεται ένα πρόβληµα ταξινόµησης (αριστερό διάγραµµα) και κάποιες πιθανές τοπολογίες πολυεπίπεδων αισθητήρων µε γραµµικούς νευρώνες για την επίλυσή του (δεξί διάγραµµα). Ποια (ή ποιες) τοπολογίες µπορούν να λύσουν το πρόβληµα; a. Μόνο οι τοπολογίες Β και Γ. b. Μόνο η τοπολογία Β. c. Όλες οι τοπολογίες. d. Μόνο οι τοπολογίες Α και Β. e. Μόνο η τοπολογία Α. f. Μόνο οι τοπολογίες Α και Γ. g. Μόνο η τοπολογία Γ. Σωστό είναι το (c). Όλες οι τοπολογίες ΤΕΣΤ 6 / ΑΣΚΗΣΗ.

10 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 0 ΕΡΩΤΗΣΗ 8 Το παρακάτω ΤΝ µε εισόδους x και x αποτελείται από δύο αισθητήρες που παράγουν 0 ή στην έξοδό τους. Με βάση τα βάρη που βλέπετε στο σχήµα, ποιες από τις παρακάτω λογικές πράξεις ικανοποιεί το δίκτυο; a. OR b. AND c. XOR d. Κανένα από τα εναλλακτικά που δίνονται. Σωστό είναι το (α) Πύλη OR ΤΕΣΤ 6 / ΑΣΚΗΣΗ. ΕΡΩΤΗΣΗ 9 Η λογική συνάρτηση XOR µπορεί να υλοποιηθεί µε perceptrons, χρησιµοποιώντας: a. ύο perceptrons που έχουν µάθει την OR. b. Ένα perceptron που έχει µάθει την OR, ένα την AND και ένα τη NAND. c. ύο Perceptrons που έχουν µάθει την NAND. d. Τρία perceptrons που έχουν µάθει την OR. e. ύο Perceptrons που έχουν µάθει την AND και ένα τη NAND. Σωστό είναι το (b) Ένα perceptron που έχει µάθει την OR, ένα την AND και ένα τη NAND. Το ακόλουθο κύκλωµα υλοποιεί την XOR: ΕΡΩΤΗΣΗ 0 Η λογική συνάρτηση XOR µπορεί να υλοποιηθεί µε perceptrons, χρησιµοποιώντας:

11 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ a. Ένα perceptron που έχει µάθει την OR, ένα την AND και ένα που συνδυάζει τα δύο προηγούµενα. b. ύο perceptrons που έχουν µάθει την OR. c. Τρία perceptrons που έχουν µάθει την OR. d. ύο Perceptrons που έχουν µάθει την AND και ένα τη NAND. e. ύο Perceptrons που έχουν µάθει την NAND. Σωστό είναι το (α) Ένα perceptron που έχει µάθει την OR, ένα την AND και ένα που συνδυάζει τα δύο προηγούµενα. (ΣΗΜΑΝΤΙΚΟ: Η εκφώνηση είναι λάθος. Κανονικά είναι όλα λάθος, προφανώς έχει γίνει µια άκοµψη παράφραση στην πρηγούµενη ερώτηση) ΕΡΩΤΗΜΑ Τι απεικονίζεται στο σχήµα; a. Ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης µε πάνω από ένα επίπεδο. b. Ένα αυτο-συσχετιστικό νευρωνικό δίκτυο. c. Ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης µε ένα επίπεδο. d. Ένα νευρωνικό δίκτυο Hopfield. Σωστό είναι το (Α) Παρατηρούµε στο σχήµα 9 νευρώνες εισόδου (που απεικονίζουν ένα διδιάστατο πλέγµα, έπειτα ένα επίπεδο εξόδου του οποίου οι νευρώνες συνδυάζουν ανά τρεις τις εισόδους). Συνεπώς πρόκειται για ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης µε δύο επίπεδα (και χωρίς κρυφό επίπεδο). ΕΡΩΤΗΜΑ Ένα πολυεπίπεδο νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης έχει 5 νευρώνες εισόδου, ένα πρώτο κρυµµένο επίπεδο µε 4 νευρώνες, ένα δεύτερο κρυµµένο επίπεδο µε 3 νευρώνες και νευρώνες εξόδου. Πόσα βάρη έχει αυτό το δίκτυο (χωρίς να υπολογίζουµε τα κατώφλια); a. 6 b. 0 c. 4 d. 38 e. 8 Σωστό είναι το ( ) Από το επίπεδο εισόδου στο ο κρυφό επίπεδο: 5x4=0 ακµές Από το ο κρυφό επίπεδο στο ο κυρφό επίπεδο: 4x3= ακµές Από το ο κρυφό επίπεδο στο επίπεδο εξόδου: 3x=6 ακµές Άρα συνολικά τα βάρη είναι 0++6=38 ΕΡΩΤΗΣΗ 3

12 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ To πολυεπίπεδο νευρωνικό δίκτυο από perceptrons που απεικονίζεται στο σχήµα έχει νευρώνες µε µόνο δυαδικές εισόδους και εξόδους (0 ή ) και βηµατική συνάρτηση ενεργοποίησης. Τα βάρη του δικτύου είναι w 3 =, w 3 =, w 4 =, w 4 =, w 43 =-. Το κατώφλι του (κρυµµένου) νευρώνα 3 είναι.5 και του νευρώνα (εξόδου) 4 είναι Τα κατώφλια των νευρώνων και είναι 0.5 και, συνεπώς, η έξοδος καθενός απ αυτούς τους νευρώνες είναι ίδια µε την είσοδό του. Ποια Boolean συνάρτηση υπολογίζει το δίκτυο; a. XOR b. OR c. Καµία από τις τρεις (3) συναρτήσεις που αναφέρονται d. Και τις τρεις (3) συναρτήσεις που αναφέρονται e. AND. Σωστό είναι το (C) Καµια Υπολογίζουµε την έξοδο για κάθε δυνατή είσοδο: Νευρώνας 3 Νευρώνας 4 = Εξοδος , , , , Συνεπώς είναι η πύλη ANY , , , , ΕΡΩΤΗΣΗ 4 To πολυεπίπεδο νευρωνικό δίκτυο από perceptrons που απεικονίζεται στο σχήµα έχει νευρώνες µε µόνο δυαδικές εισόδους και εξόδους (0 ή ) και βηµατική συνάρτηση ενεργοποίησης. Τα βάρη του δικτύου είναι w 3 =, w 3 =, w 4 =-, w 4 =-, w 43 =3. Το κατώφλι του (κρυµµένου) νευρώνα 3 είναι.5 και του νευρώνα (εξόδου) 4 είναι Τα κατώφλια των νευρώνων και είναι 0.5 και, συνεπώς, η έξοδος καθενός απ αυτούς τους νευρώνες είναι ίδια µε την είσοδό του. Ποια Boolean συνάρτηση υπολογίζει το δίκτυο;

13 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 3 a. XOR b. OR c. Καµία από τις τρεις (3) συναρτήσεις που αναφέρονται d. Και τις τρεις (3) συναρτήσεις που αναφέρονται e. AND. Σωστό είναι το (C) Καµία από τις εναλλακτικές που δίνονται. [Σηµείωση: η απάντηση που δόθηκε από το ΕΑΠ (XOR) είναι ΛΑΘΟΣ. Αποδεικνύουµε και τον ισχυρισµό:] Υπολογίζουµε την έξοδο για κάθε δυνατή είσοδο: Νευρώνας 3 Νευρώνας 4 = Εξοδος , , , , , , ,, Συνεπώς είναι η πύλη XNOR (άρα και καµία από τις εναλλακτικές που δίνονται). ΕΡΩΤΗΣΗ 5 Ποιός είναι ένας βασικός λόγος που τα προβλήµατα που επιδέχονται λύσεις γραµµικού διαχωρισµού είναι ενδιαφέρονται για το χώρο των νευρωνικών δικτύων; Επιλέξτε µια απάντηση: a. Επειδή µόνο αυτά επιλύονται από απλούς νευρώνες τύπου perceptron. b. Επειδή µόνο αυτά αντιστοιχούν σε συνεχείς συναρτήσεις. c. Επειδή είναι τα µόνα που µπορούν να επιλυθούν από νευρωνικά δίκτυα. d. Επειδή µόνο αυτά αντιστοιχούν σε συναρτήσεις που µπορούµε να σχεδιάσουµe. Σωστό είναι το (A) Ένα perceptron µπορεί να λύσει γραµµικά διαχωρίσιµα δεδοµένα. Η βηµατική συνάρτηση (που έχει) δεν είναι συνεχής (λάθος το b) Τα νευρωνικά δίκτυα λύνουν και προβλήµατα µη γραµµικά (π.χ. µε σιγµοειδή συνάρτηση ενεργοποίησης (λάθος το (C)) Μπορούµε να σχεδιάσουµε και γραµµικές και µη γραµµικές συναρτήσεις ενεργοποίησης (λάθος το (d)). ΕΡΩΤΗΣΗ 6

14 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 4 Ένα νευρωνικό δίκτυο τύπου Perceptron µε ένα επίπεδο έχει 3 νευρώνες εισόδου και 3 νευρώνες εξόδου. Πόσα βάρη έχει αυτό το δίκτυο (χωρίς να υπολογίζουµε τα κατώφλια) Επιλέξτε µια απάντηση: Α. 8 Β. 5 Γ Σωστό είναι το (Γ) Τα βάρη είναι 3x3=9. ΕΡΩΤΗΣΗ 7 Έστω ένα ένα νευρωνικό δίκτυο αρχιτεκτονικής (,,) µε σιγµοειδή συνάρτηση ενεργοποίησης σε όλους τους νευρώνες. Τα βάρη σύνδεσης µεταξύ επιπέδου εισόδου και κρυφού είναι τα w 3, w 3 και µεταξύ κρυφού και επιπέδου εξόδου το w 34, ενώ όλα τα κατώφλια είναι 0. Αν δίνεται ότι w 3 =0.5, w 3 =.5, w 34 =. και ο ρυθµός µάθησης είναι η=0.5, τότε στην είσοδο [,3] T, η έξοδος α 4 του δικτύου είναι: Επιλέξτε µια απάντηση: Σωστό είναι το (C) Σχόλιο: Επειδη δεν είναι ευδιάκριτη η εκτύπωση σωστό είναι αυτό που έχει το -5 στον εσωτερικό εκθέτη. Νευρώνας 3: Το δυναµικό είναι:. / Η έξοδος είναι: Νευρώνας 4: Το δυναµικό είναι:

15 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Η έξοδος είναι:

16 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 6 Μάθηµα 3.4 ΕΡΩΤΗΣΗ Ποιό ή ποιά από τα παρακάτω µπορούν να µάθουν τη συνάρτηση OR; Select one or more: a. Κανένα από τα εναλλακτικά που δίνονται. b. Ένα απλό γραµµικό perceptron. c. Ένας νευρώνας µε σιγµοειδή συνάρτηση. d. Ένα δίκτυο νευρώνων µε σιγµοειδείς συναρτήσεις και ένα κρυφό επίπεδο. Σωστό είναι τα (b),(c),(d) ΤΕΣΤ 6 / ΑΣΚΗΣΗ.4 ΕΡΩΤΗΣΗ Ποιό ή ποιά από τα παρακάτω µπορούν να µάθουν τη συνάρτηση ΧOR; a. Ένα δίκτυο νευρώνων µε σιγµοειδείς συναρτήσεις και ένα κρυφό επίπεδο. b. Ένα απλό γραµµικό perceptron. c. Κανένα από τα εναλλακτικά που δίνονται. d. Ένας νευρώνας µε σιγµοειδή συνάρτηση. Σωστό είναι το (α) Ένα ίκτυο Νευρώνων µε σιγµοειδής συναρτήσεις και ένα κρυφό επίπεδο ΤΕΣΤ 6 / ΑΣΚΗΣΗ.3 ΕΡΩΤΗΣΗ 3 Αν δοθεί η λογική έκφραση (X AND Y) AND NOT (X OR Y) ποια είναι η ελάχιστη τοπολογία ΤΝ που χρειαζόµαστε για την επίλυσή της; Υποθέστε πως οι νευρώνες ακολουθούν τη συνάρτηση κατωφλίου. a. εν επιλύεται το πρόβληµα µε αισθητήρες. b. είσοδοι, νευρώνας στο ενδιάµεσο επίπεδο, νευρώνας εξόδου. c. είσοδοι, 3 νευρώνες στο ενδιάµεσο επίπεδο, νευρώνας εξόδου. d. είσοδος, νευρώνες στο ενδιάµεσο επίπεδο, νευρώνας εξόδου. Σωστό το (b) είσοδοι, νευρώνας στο ενδιάµεσο επίπεδο, νευρώνας εξόδου. ΤΕΣΤ 6 / ΑΣΚΗΣΗ.5 ΕΡΩΤΗΜΑ 4 Ποιος είναι ο σκοπός της προσθήκης ορµής στον κανόνα ενηµέρωσης των βαρών; a. Για να απεγκλωβιστεί ο αλγόριθµος από ένα τοπικό βέλτιστο. b. Για να πάρουν γρήγορα µεγάλες τιµές τα βάρη. c. Για να απεγκλωβιστεί ο αλγόριθµος από µία επίπεδη περιοχή (flat). d. Για να αποφύγουµε την γρήγορη σύγκλιση. e. Για να απεγκλωβιστεί ο αλγόριθµος από ένα τοπικό βέλτιστο ή από µία επίπεδη περιοχή. ΣΩΣΤΟ ΕΙΝΑΙ ΤΟ (e) Για να απεγκλωβιστεί ο αλγόριθµος από ένα τοπικό βέλτιστο ή από µία επίπεδη περιοχή. (Είναι Θεωρία) ΕΡΩΤΗΜΑ 5 Τι ισχύει στα νευρωνικά δίκτυα; α. Ο κανόνας δέλτα εξασφαλίζει τη σύγκλιση στην ασύγχρονη εκπαίδευση µε οπισθοδιάδοση του λάθους. β. Το φαινόµενο overfitting παρουσιάζεται συνήθως όταν υπάρχουν πολλοί κύκλοι εκπαίδευσης. γ. Τα βηµατικά κατώφλια προτάθηκαν για την αποφυγή του φαινοµένου overfitting. δ. Ο απαιτούµενος υπολογισµός για οπισθοδιάδοση ανά κύκλο εκπαίδευσης είναι ανάλογος του n, όπου n είναι το πλήθος των παραδειγµάτων εισόδου.

17 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 7 Σωστά τα (β) και (δ). Το φαινόµενο overfitting παρουσιάζεται συνήθως όταν υπάρχουν πολλοί κύκλοι εκπαίδευσης ΚΑΙ ο απαιτούµενος υπολογισµός για οπισθοδιάδοση ανά κύκλο εκπαίδευσης είναι ανάλογος του n, όπου n είναι το πλήθος των παραδειγµάτων εισόδου. Ο κανόνας δέλτα δεν είναι εγγυηµένο ότι συγκλίνει (λάθος το (α)) Το (β) είναι σωστό από θεωρία. Το (γ) δεν ισχύει, τα βηµατικά κατώφλια υπάρχουν ούτως ή άλλως στα νευρωνικά δίκτυα. Ο χρόνος στην οπισθοδιάδοση του λάθους είναι O(w) όπου w είναι το διάνυσµα βαρών του ΤΝ. ΕΡΩΤΗΜΑ 6 Γιατί δεν είναι καλή ιδέα να χρησιµοποιούµε γραµµικές συναρτήσεις ενεργοποίησης στους νευρώνες του κρυµµένου επιπέδου σ' ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης; Επιλέξτε µια απάντηση: a. Γιατί οι συναρτήσεις είναι µεν συνεχείς αλλά δεν είναι φθίνουσες. b. Γιατί δε µπορούµε να υπολογίσουµε τις παραγώγους τους. c. Όταν γίνεται οπισθοδιάδοση του λάθους, οι συναρτήσεις τέτοιου τύπου δε δίνουν πληροφορία για το πόσο πρέπει να αλλαχτούν τα βάρη στους νευρώνες του κρυµµένου επιπέδου. d. Γιατί ένα πολυεπίπεδο δίκτυο µε συναρτήσεις τέτοιου τύπου δε θα ήταν πιο ισχυρό από ένα δίκτυο µε ένα µόνο επίπεδο. Σωστό το (d). Το (α) είναι λάθος, δεν υπάρχει ποτέ λόγος να έχουµε φθίνουσες συναρτήσεις. Το (β) είναι λάθος, µπορούµε να υπολογίσουµε την παράγωγο γραµµικών συναρτήσεων Το (γ) είναι λάθος, µπορούµε να υπολογίσουµε την παράγωγο και αυτή δίνει πληροφορία για το πόσο πρέπει να αλλαχτούν τα βάρη. Το (δ) είναι το πιο σωστό. ΕΡΩΤΗΜΑ 7 Θεωρείστε ένα πολυεπίπεδο νευρωνικό δίκτυο µε w βάρη, που εκπαιδεύεται σε n παραδείγµατα. Μία εποχή εκπαίδευσης για ένα τέτοιο δίκτυο έχει χρονική πολυπλοκότητα: Επιλέξτε µια απάντηση: a. O(n) b. O(w) c. O(nlogw) d. O(w n ) e. O(nw) Σωστό το (e). Ο χρόνος για το πέρασµα ενός προτύπου είναι O(w), συνεπώς για n παραδείγµατα εκπαίδευσης ο χρόνος είναι O(nw). ΕΡΩΤΗΜΑ 8 Στον αλγόριθµο οπισθοδιάδοσης του λάθους ποια είναι η συνήθης διατύπωση της συνάρτησης λάθους; Α. " # ;< = > =? # = για όλες τις εξόδους Β. " ;t # A A o A? για όλες τις εξόδους Γ. " # ;w A x CA? A για όλες τις εισόδους

18 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 8 Σωστό το α Η πρώτη συνάρτηση είναι το µέσο τετραγωνικό σφάλµα για όλες τις εξόδους και είναι η συνήθης διατύπωση της συνάρτησης λάθους. ΕΡΩΤΗΜΑ 9 Ποια από τις παρακάτω τεχνικές δεν είναι στρατηγική για να διαχειριστούµε τα τοπικά ελάχιστα στον αλγόριθµο οπισθοδιάδοσης του λάθους: Α. Χρήση µια οµάδας δικτύων και λήψη απόφασης κατά πλειοψηφία Β. Επανάληψη της εκπαίδευσης µε τυχαία βάρη Γ. Εκπαίδευση και δοκιµή µε χρήση διασταυρούµενης επικύρωσης. Προσθήκη τυχαίου θορύβου στα βάρη ή στις εισόδους κατά την εκπαίδευση Ε. Χρήση του γενικευµένου κανόνα ελτα µε χρήση ορµής Σωστό το Γ Οι δυνατές απαντήσεις που δίνονται στο ερώτηµα είναι στρατηγικές αλλαγής των βαρών σε ένα ΤΝ που έχει εγκλωβιστεί σε ένα τοπικό ελάχιστο. Το (Γ) είναι η επικρατούσα διαχείριση που προτείνεται από το βιβλίο. ΕΡΩΤΗΜΑ 0 Ποια από τις παρακάτω απαντήσεις δεν είναι ένα γενικό χαρακτηριστικό των τεχνητών νευρωνικών δικτύων: Επιλέξτε µια απάντηση: a. Επιτυγχάνουν µάθηση b. Επιτυγχάνουν γενίκευση c. Μπορούν να υλοποιηθούν µε παράλληλη επεξεργασία d. Έχουν µεγάλη επεξεργαστική ταχύτητα Σωστό το Ένα νευρωνικό δίκτυο µαθαίνει ένα σύνολο προτύπων ώστε να µπορεί να γενικεύσει σε ένα άλλο σύνολο προτύπων (σωστά τα Α και Β). Επίσης µπορούν να υλοποιηθούν µε παράλληλη επεξεργασία όπως και οι περισσότεροι αλγόριθµοι. Άρα το λιγότερο σωστό είναι το ( ), αφού ο χρόνος επεξεργασίας ενός προτύπου γνωρίζουµε ότι είναι γραµµικός, αλλά δεν τίθεται στην εκφώνηση τι αξιολογούµε ως ταχύτητα του ΤΝ.

19 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 9 Μάθηµα 3.5 ΕΡΩΤΗΜΑ Ένα δίκτυο Hopfield έχει 63 κόµβους. Πόσες διακριτές παράµετροι υπάρχουν που µπορούν να µεταβληθούν; a b. 06 c. 953 d ΣΩΣΤΟ το (c): 953 ΤΕΣΤ 7 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ Ποιος είναι ο πίνακας βαρών για ένα δίκτυο Hopfield στο οποίο θα αποθηκεύσουµε τα διανύσµατα [- -] [ - ] 0 a. W b. W 0 0 c. W 0 d. W 0 Σωστό το (B) / / D E E F E 8 E F 8 8G 8/ / 8 / / / / / 8 8 / 8 / 8 / 8 / / / ΕΡΩΤΗΜΑ 3 Ποιος είναι ο πίνακας βαρών για ένα δίκτυο Hopfield στο οποίο θα αποθηκεύσουµε τα διανύσµατα [- -] [ - ] [- - ] 0 a. W 0 0 b. W c. W 0 d. W 0 Σωστό το α / / H I I J I 8 I J 8 I 3 I J 3 3K 3/ / 3 / / / / / / 3 / / 3 / / 3 3 /

20 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 0 Συνεπώς κανένας πίνακας δεν είναι σωστός (το ΕΑΠ δίνει το (Α) ) ΕΡΩΤΗΜΑ 4 Ποιος είναι ο πίνακας βαρών για ένα δίκτυο Hopfield στο οποίο θα αποθηκεύσουµε τα διανύσµατα [- -] [ - ] [- - ] 0 a. W b. W c. W d. W Σωστό το α 0 / / H I I J I 8 I J 8 I 3 I J 3 3K 3/ / 3 / / / / / / 3 / / 3 / / 3 3 / ΕΡΩΤΗΜΑ 5 Ποια από τις παρακάτω δηλώσεις είναι λάθος για ένα δίκτυο Hopfield; a.το δίκτυο χαρακτηρίζεται από µια συνάρτηση ενέργειας η οποία ελαχιστοποιείται όταν το δίκτυο λειτουργεί. b. Μπορεί να έχει σύγχρονη ή ασύγχρονη ανανέωση των βαρών. c. Ο πίνακας των βαρών του είναι: d. Ο πίνακας των βαρών του είναι: Σωστό είναι το ( ) ο πίνακας ΤΕΣΤ 7 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ 6 Ποιοί από τους παρακάτω πίνακες βαρών µπορεί ν αντιστοιχούν στον πίνακα βαρών ενός δικτύου Hopfield; α. β. γ. δ.

21 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Σωστό είναι το (Α) ΤΕΣΤ 7 / ΑΣΚΗΣΗ.3 και ( ) ΕΡΩΤΗΜΑ 7 Ποιος είναι ο πίνακας βαρών W ενός δικτύου Hopfield 5 νευρώνων, αν θέλουµε να αποθηκεύσουµε το διάνυσµα [,0,-,0,]; a. b. εν αποθηκεύεται το διάνυσµα µε κανέναν πίνακα W. c. d. Σωστό είναι τα (b) εν αποθηκεύεται το διάνυσµα µε κανέναν πίνακα W. ΤΕΣΤ 7 / ΑΣΚΗΣΗ.4 ΕΡΩΤΗΜΑ 8 Ποιος είναι ο πίνακας βαρών ενός δικτύου Hopfield για τη σωστή αποθήκευση των δύο βασικών µνηµών [,,, -] και [-, -, -,]; ίνεται ότι οι τιµές των κατωφλίων είναι 0. (A) (B) (Γ) ( )

22 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Σωστό είναι το (Γ) ο πίνακας ΤΕΣΤ 7 / ΑΣΚΗΣΗ.5 ΕΡΩΤΗΜΑ 9 Ποιος είναι ο πίνακας βαρών ενός δικτύου Hopfield για τη σωστή αποθήκευση των δύο βασικών µνηµών [-, -, -,]; ίνεται ότι οι τιµές των κατωφλίων είναι 0. (A) [, -,, -] και (B) (Γ) Κανένας από τους εναλλακτικούς που δίνονται. ( ) Σωστό είναι το (Γ) Κανένας Από του Εναλλακτικούς που ίνονται H L " L M " L # L M # N O P O P O P O PO P O P O P ΕΡΩΤΗΜΑ 0 Ποιες από τις παρακάτω δηλώσεις είναι λάθος για ένα δίκτυο Hopfield; a. Ο πίνακας των βαρών του είναι:. b. Μπορεί να έχει ασύγχρονη ανανέωση των βαρών. c. Ο πίνακας των βαρών του είναι:

23 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 3 d. Ο πίνακας των βαρών του είναι: Λάθος είναι το (Α) Ο πίνακας των βαρών του είναι: Οι δύο πίνακες είναι λάθος διότι δεν είναι συµµετρικοί. και το (C) ΕΡΩΤΗΜΑ Ο θεωρητικός µέγιστος αριθµός διανυσµάτων που µπορούµε ν αποθηκεύσουµε σ ένα δίκτυο Hopfield µε N νευρώνες είναι Ν / lnn. Ποιός είναι αυτός ο αριθµός για ένα δίκτυο Hopfield στο οποίο θέλουµε ν αποθηκεύσουµε τα διανύσµατα [- -], [ ] και [- - ]; α. 0,875 β.,365 γ. 7,603 δ. 8,86 Σωστό είναι το (Β) Q Αφού έχουµε 3 διανύσµατα: 3,3U0 8RS T 8RS 3 ΤΕΣΤ 3 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ Ποιά/ες από τις παρακάτω προτάσεις δεν είναι ορθή/ές για ένα αυτοσυσχετιστικό δίκτυο εµπρόσθιας τροφοδότησης µε ένα κρυµµένο επίπεδο; Επιλέξτε µια απάντηση: a. Το εκπαιδευµένο δίκτυο µπορεί να θεωρηθεί ότι αντιστοιχεί σε δύο µηχανές: το πρώτο επίπεδο βαρών συµπιέζει το πρότυπο εισόδου (λειτουργώντας ως κωδικοποιητής) και το δεύτερο επίπεδο βαρών ανακατασκευάζει το πλήρες πρότυπο (λειτουργώντας ως αποκωδικοποιητής). b. Η συµπίεση δεδοµένων που επιτελείται µπορεί να χρησιµοποιηθεί ως στάδιο προ-επεξεργασίας πριν χρησιµοποιήσουµε τα δεδοµένα για να εκπαιδεύσουµε κάποιο άλλο νευρωνικό δίκτυο. c. Είναι απαραίτητο να χρησιµοποιήσουµε συνεχείς και µη γραµµικές συναρτήσεις ενεργοποίησης στους κρυµµένους νευρώνες. d. Κατά τον έλεγχο, το διάνυσµα επιθυµητών εξόδων είναι το ίδιο µε το διάνυσµα εισόδων. Σωστό είναι το (C) (Ανεξήγητο) ΕΡΩΤΗΜΑ 3 Ποια από τις παρακάτω προτάσεις δεν ισχύουν σε ένα δίκτυο Hopfield; a. Τα βάρη πρέπει να είναι όλα θετικά b. Ένας νευρώνας δεν µπορεί να συνδέεται µε τον εαυτό του c. Το δίκτυο Hopfield ελαχιστοποιεί µια συνάρτηση ενέργειας κατά την ανάκληση d. O πίνακας βαρών πρέπει να είναι συµµετρικός e. Η συνάρτηση λάθους ορίζεται ως " V # W = W=X W X =

24 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 4 ΛΑΘΟΣ το α. Τα βάρη µπορούν να είναι και µηδενικά και αρνητικά. Τα υπόλοιπα είναι γνωστά από τη θεωρία. ΕΡΩΤΗΜΑ 4 Ένα κλασικό αυτοσυσχετιστικό δίκτυο Hopfield έχει 0 νευρώνες. Πόσα κρυµµένα επίπεδα έχει; Α. 0 Β. 0 Γ.. Ε. 9 Σωστό το (Β) Τα δίκτυα Hopfield δεν έχουν κρυφό επίπεδο. ΕΡΩΤΗΜΑ 5 Ένα δίκτυο Hopfield έχει 0 νευρώνες. Πόσα βάρη έχει; Επιλέξτε µια απάντηση: a. 00 b. 380 c. 400 d. 95 e. 90 Σωστό το (Β) Τα βάρη του δικτύου είναι Ν(Ν-)=0*9=380.

25 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 5 Μάθηµα 3.6 ΕΡΩΤΗΜΑ Σε έναν χάρτη αυτοοργάνωσης ( ίκτυο Kohonen) χωρίς παράπλευρες συνδέσεις διαστάσεων 5 x 4, και 7 νευρώνων εισόδου, πόσα βάρη υπάρχουν; a. 0 b. 40 c. 7 d. 63 Σωστό είναι το (b) 40 ΤΕΣΤ 8 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ Μελετώντας ένα δίκτυο Kohonen, κατά την αρχικοποίηση, βλέπουµε στο σχήµα την τοποθέτηση 8 προτύπων (κουκίδες έως 8) και 3 ανταγωνιστικών νευρώνων (Α, Β, Γ). Αν θεωρήσουµε ότι η παρουσίαση κάθε προτύπου αντιστοιχεί σε έναν κύκλο εκπαίδευσης του δικτύου και ότι η εκπαίδευση ξεκινάει µε τη παρουσίαση του προτύπου, ποιος ανταγωνιστικός νευρώνας θα µετατοπιστεί οπωσδήποτε κατά τον επόµενο κύκλο εκπαίδευσης; a. Κανένας. b. Όλοι. c. Ο Γ. d. Ο B. e. Ο Α. Σωστό είναι το (e.) Ο Α. ΤΕΣΤ 8 / ΑΣΚΗΣΗ. ΕΡΩΤΗΜΑ 3 Σε έναν χάρτη αυτοοργάνωσης ( ίκτυο Kohonen) χωρίς παράπλευρες συνδέσεις διαστάσεων 6 x 6, και 6 νευρώνων εισόδου, πόσα βάρη υπάρχουν;. α. 36 β. 4 γ. 6 δ. Σωστό είναι το (γ.) 6 ΤΕΣΤ 8 / ΑΣΚΗΣΗ.3 ΕΡΩΤΗΜΑ 4 Σ ένα δίκτυο Kohonen έχουµε ένα πρότυπο εισόδου και δύο ανταγωνιστικούς νευρώνες µε τις ακόλουθες τιµές: x = [.40,.30, 0.0] T p = [.00,.0, 0.0] T p = [ 4.00, 7.00, 0.60] T Η αλλαγή των βαρών του νικητή νευρώνα µε ρυθµό µάθησης 0,5 θα οδηγήσει σε νέο διάνυσµα βαρών. Ποιό; α. p = [ 0.80,.5, 0.05] T β. p = [.0,.5, 0.5] T

26 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 6 γ. p = [.70, 4.65, 0.40] T δ. p = [ 5.30, 9.35, 0.80] T Σωστό είναι το (Β) ΤΕΣΤ 8 / ΑΣΚΗΣΗ.4 ΕΡΩΤΗΜΑ 5 Ποιά από τις παρακάτω προτάσεις δεν ισχύει σε ένα δίκτυο Kohonen; Επιλέξτε µια απάντηση: a. Τα βάρη του νικητή νευρώνα k αλλάζουν σύµφωνα µε τον τύπο w k =η(x-w k ), όπου x η είσοδος. b. Το µέγεθος της γειτονιάς µειώνεται κατά την εκπαίδευση. c. Ο ρυθµός µάθησης για τους γείτονες νευρώνες είναι µία φθίνουσα συνάρτηση της απόστασης από τον εκάστοτε γείτονα νευρώνα. d. Τα βάρη των γειτόνων j του νικητή νευρώνα k αλλάζουν σύµφωνα µε τον τύπο w j =η j (x-w j ), όπου x η είσοδος και n j >n και j k. e. Οι νευρώνες διατάσσονται σε µία κανονική γεωµετρική δοµή, όπως είναι ένα δισδιάστατο τετράγωνο ή ένας µονοδιάστατος κύκλος. ΛΑΘΟΣ είναι το (D) Ο τύπος αλλαγής των βαρών των γειτόνων του νικητή νευρωνα είναι ορθός. Ωστόσο αναφέρεται ότι ο ρυθµός εκπαίδευσης στους γείτονες είναι µεγαλύτερος από το ρυθµό εκπαίδευσης του νικητή το οποίο δεν ισχύει. ΕΡΩΤΗΜΑ 6 Ποιά από τις παρακάτω προτάσεις δεν ισχύει σε ένα δίκτυο Kohonen; Επιλέξτε µια απάντηση: a. Οι νευρώνες διατάσσονται σε µία κανονική γεωµετρική δοµή, όπως είναι ένα δισδιάστατο τετράγωνο ή ένας µονοδιάστατος κύκλος. b. Ο ρυθµός µάθησης για τους γείτονες νευρώνες είναι µία φθίνουσα συνάρτηση της απόστασης από τον εκάστοτε γείτονα νευρώνα. c. Η τοπολογική διάταξη σε ένα εκπαιδευµένο δίκτυο διαφυλάτει την πιθανοτική κατανοµή των δεδοµένων εκπαίδευσης. d. Αν αλλάξει η πιθανοτική κατανοµή των δεδοµένων εκπαίδευσης µπορούµε να προσθέσουµε νέους ανταγωνιστικούς νευρώνες. ΛΑΘΟΣ είναι το (D) (Ανεξήγητο. Π.χ είναι σωστή η (Α) µε τον µονοδιάστατο κύκλο?) ΕΡΩΤΗΜΑ 7 Ένα δίκτυο Kohonen έχει 8 νευρώνες εισόδου και 0 νευρώνες εξόδου διατεταγµένους σε κύκλο. Πόσα βάρη έχει το δίκτυο; a. 80 b. 8 c. 00 d. 0 ΣΩΣΤΟ είναι το (Α)

27 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 7 Κάθε νευρώνας εισόδου συνδέεται µε κάθε νευρώνα εξόδου, άρα τα βάρη του δικτύου είναι 8x0=80. Μάθηµα 3.7 Μάθηµα 3.8 ΕΡΩΤΗΜΑ Τι ισχύει στα νευρωνικά δίκτυα; a. Κανένα από τα εναλλακτικά που δίνονται. b. Τα βιολογικά νευρωνικά δίκτυα µοντελοποιούνται µε ακρίβεια. c. Ο απαιτούµενος υπολογισµός για back-propagation ανά κύκλο εκπαίδευσης είναι ανάλογος του n, όπου n είναι το πλήθος των κόµβων. d. Το φαινόµενο overfitting παρουσιάζεται όταν υπάρχουν πολύ λίγοι κύκλοι εκπαίδευσης. e. Όλα τα εναλλακτικά που δίνονται. f. Τα σιγµοειδή κατώφλια προτάθηκαν για την αποφυγή του φαινοµένου overfitting Σωστά είναι τα (a). Κανένα από τα εναλλακτικά που δινονται To (b) είναι λάθος. Μοντελοποιούµε τον τρόπο λειτουργίας των βιολογικών νευρωνικών δικτύων. Όχι τα δίκτυα µε ακρίβεια. To (c) είναι λάθος. Το σωστό είναι O(nw) όπου w τα βάρη και n το πλήθος των προτύπων. Το (d) είναι λάθος. Το φαινόµενο overfitting παρουσιάζεται όταν έχουµε πάρα πολλούς κύκλους εκπαίδευσης. Το (e) είναι λάθος (χωρίς εξήγηση). ΕΡΩΤΗΜΑ Μια κοινή πρακτική στην εκπαίδευσης των ΤΝ είναι να υπολογίζεται το σφάλµα επικύρωσης σε ξεχωριστό δείγµα µετά από κάποιους κύκλους εκπαίδευσης. Η εκπαίδευση σταµατάει µόλις το σφάλµα επικύρωσης αρχίζει να αυξάνεται. Η τεχνική ονοµάζεται: a. Πρόωρο σταµάτηµα b. Υπερεκπαίδευση c. Οπισθοδιάδοση του σφάλµατος µε παράγοντα ορµής (momentum) d. ιασταυρωµένη επικύρωση k δειγµάτων Σωστό είναι το (α) Πρόωρο σταµάτηµα (Είναι στην θεωρία) ΕΡΩΤΗΜΑ 3 Σε ποια περίπτωση η έξοδος ενός feedforward Ν µπορεί να γραφτεί ισοδυνάµως ως άθροισµα εξόδων δύο µικρότερων Ν ; a. Σε καµµία περίπτωση. b. Όταν η ενεργοποίηση είναι σιγµοειδής, ανεξαρτήτως του αριθµού επιπέδων. c. Όταν δεν υπάρχει κανένα κρυφό επίπεδο. d. Όταν υπάρχουν τουλάχιστον δύο κρυφά επίπεδα. e. Όταν έχει µόνο ένα κρυφό επίπεδο, και η ενεργοποίηση της εξόδου είναι γραµµική. Σωστό είναι το (e) Όταν έχει µόνο ένα κρυφό επίπεδο, και η ενεργοποίηση της εξόδου είναι γραµµική. Απαιτείται η έξοδος του ΤΝ να προκύπτει από απλή άθροιση των εξόδων των κόµβων του κρυφού επιπέδου. Συνεπώς αν η συνάρτηση ενεργοποίησης είναι γραµµική, τότε η έξοδος των δύο νευρωνικών δικτύων είναι ίση µε την έξοδο του Ν.

28 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 8 ΕΡΩΤΗΜΑ 4 Τι ισχύει στα νευρωνικά δίκτυα; α. Ο κανόνας δέλτα εξασφαλίζει τη σύγκλιση στην ασύγχρονη εκπαίδευση µε οπισθοδιάδοση του λάθους. β. Το φαινόµενο overfitting παρουσιάζεται συνήθως όταν υπάρχουν πολλοί κύκλοι εκπαίδευσης. γ. Τα βηµατικά κατώφλια προτάθηκαν για την αποφυγή του φαινοµένου overfitting. δ. Ο απαιτούµενος υπολογισµός για οπισθοδιάδοση ανά κύκλο εκπαίδευσης είναι ανάλογος του n, όπου n είναι το πλήθος των παραδειγµάτων εισόδου. Σωστά είναι τα (β) και (δ) Το φαινόµενο overfitting παρουσιάζεται συνήθως όταν υπάρχουν πολλοί κύκλοι εκπαίδευσης και ο απαιτούµενος υπολογισµός για οπισθοδιάδοση ανά κύκλο εκπαίδευσης είναι ανάλογος του n, όπου n είναι το πλήθος των παραδειγµάτων εισόδου. Το (Α) είναι λάθος. Ο κανόνας έλτα δεν εξασφαλίζει σύγκλιση. Το (Γ) είναι λάθος από θεωρία. ΕΡΩΤΗΜΑ 5 Συγκρίνετε δύο Ν ίδιου αριθµού επιπέδων και ενεργοποιήσεων, αλλά µε διαφορετικό αριθµό κόµβων. Πώς θα κρίνετε ποιό δίκτυο έχει "εκπαιδευτεί" καλύτερα; a. Όποιο έχει µικρότερη τιµή σφάλµατος για το σύνολο ελέγχου. b. Αυτό µε τους περισσότερους κόµβους. c. Ένας γραµµικός συνδυασµός του µικρότερου σφάλµατος για το σύνολο εκπαίδευσης και του µικρότερου σφάλµατος για το σύνολο ελέγχου. d. Όποιο έχει µικρότερη τιµή σφάλµατος για το σύνολο εκπαίδευσης. e. Αυτό µε τους λιγότερους κόµβους. Σωστο είναι τα (c) Ένας γραµµικός συνδυασµός του µικρότερου σφάλµατος για το σύνολο εκπαίδευσης και του µικρότερου σφάλµατος για το σύνολο ελέγχου. Τα Α και D είναι επίσης σωστά, αλλά το (C) ενσωµατώνει στον γραµµικό συνδυασµό και τις δύο αξιολογήσεις. Τα ΤΝ δεν αξιολογούνται ανάλογα µε το πλήθος κόµβων. ΕΡΩΤΗΜΑ 6 Ποιοι από τους παρακάτω αλγόριθµους µπορούν να χρησιµοποιηθούν για να εκπαιδεύσουν ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης: α. Αυτοσυσχετιστική µάθηση µε δίκτυα Hopfield b. Ο κανόνας έλτα c. Ένας γενετικός αλγόριθµος d. Ανταγωνιστική µάθηση µε δίκτυα Kohonen Σωστά τα b και c Ο κανόνας ελτα είναι ο κατεξοχήν τρόπος για να εκπαιδεύσουµε ένα νευρωνικό δίκτυο εµπρόσθιας τροφοδότησης, αλλά αυτή η εκπαίδευση µπορούν να γίνουν µε ένα γενετικό αλγόριθµο που εξελίσσει το διάνυσµα βαρών. ΕΡΩΤΗΜΑ 8 Ποια είναι η διαφορά µεταξύ επικύρωσης (validation) και διασταυρωµένης επικύρωσης (cross validation) Α. Η διασταυρωµένη επικύρωση γίνεται κατά την εκπαίδευση Β. Η διασταυρωµένη επικύρωση γίνεται µε δείγµατα που δεν έχουν χρησιµοποιηθεί σε άλλο κύκλο εκπαίδευσης Γ. Η επικύρωση γίνεται µε δείγµατα που δεν έχουν χρησιµοποιηθεί στην εκπαίδευση. Η διασταυρωµένη επικύρωση γίνεται όταν έχουµε µικρό εκπαιδευτικό σύνολο Ε. Καµία διαφορά Σωστά τα Γ και (ανεξήγητο)

29 ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ 9 ΕΡΩΤΗΜΑ 9 Ποιά από τις παρακάτω προτάσεις αποτυπώνει καλύτερα το τι σηµαίνει πως ένα σύστηµα «γενικεύει»; Επιλέξτε µια απάντηση: a. Η δυνατότητά του να προσεγγίζει τις επιθυµητές τιιµές εξόδου για δεδοµένα που είναι και στο σύνολο εκπαίδευσης και στο σύνολο δοκιµής. b. Η δυνατότητά του να προσεγγίζει τις επιθυµητές τιιµές εξόδου για δεδοµένα που δεν είναι ούτε στο σύνολο εκπαίδευσης ούτε στο σύνολο δοκιµής. c. Η δυνατότητά του να προσεγγίζει τις επιθυµητές τιιµές εξόδου για δεδοµένα που δεν είναι στο σύνολο εκπαίδευσης. d. Η δυνατότητά του να προσεγγίζει τις επιθυµητές τιιµές εξόδου για δεδοµένα που δεν είναι στο σύνολο δοκιµής. Σωστά το C Η εκπαίδευση γίνεται σε ένα σύνολο δεδοµένων τα οποία και το δίκτυο µαθαίνει. Όµως το ΤΝ δεν πρέπει να απαντά σωστά µόνο σε αυτά αλλά και σε άγνωστα δεδοµένα. Το γεγονός αυτό είναι η «γενίκευση» που επιθυµούµε να έχει ένα ΤΝ.

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008 Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 5//008 Πρόβληµα ο Στα παρακάτω ερωτήµατα επισηµαίνουµε ότι perceptron είναι ένας νευρώνας και υποθέτουµε, όπου χρειάζεται, τη χρήση δικτύων

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Οκτωβρίου 23 ιάρκεια: 2 ώρες Έστω το παρακάτω γραµµικώς

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 7 Ιανουαρίου 2005 ιάρκεια εξέτασης: 5:00-8:00 Έστω ότι

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Σεπτεµβρίου 2005 5:00-8:00 Σχεδιάστε έναν αισθητήρα ercetro

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ

ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 7 Ιανουαρίου 8 5:-8: Σχεδιάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 26 Ιανουαρίου 2004 ιάρκεια: 2 ώρες (9:00-:00) Στην παρακάτω

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 19 ης διάλεξης

Ασκήσεις μελέτης της 19 ης διάλεξης Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 19 ης διάλεξης 19.1. Δείξτε ότι το Perceptron με (α) συνάρτηση ενεργοποίησης

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Παρασκευή 9 Ιανουαρίου 2007 5:00-8:00 εδοµένου ότι η

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2)

Υπολογιστική Νοημοσύνη. Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2) Υπολογιστική Νοημοσύνη Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2) Ο κανόνας Δέλτα για συνεχείς συναρτήσεις ενεργοποίησης (1/2) Για συνεχείς συναρτήσεις ενεργοποίησης, θα θέλαμε να αλλάξουμε περισσότερο

Διαβάστε περισσότερα

4.3. Γραµµικοί ταξινοµητές

4.3. Γραµµικοί ταξινοµητές Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΟΜΑ Α ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Στην εικόνα παρακάτω φαίνεται ένα νευρωνικό

Διαβάστε περισσότερα

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Νευρώνας Perceptron Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος Τζώρτζης Γρηγόρης Περιεχόμενα Εισαγωγή

Διαβάστε περισσότερα

οµή δικτύου ΣΧΗΜΑ 8.1

οµή δικτύου ΣΧΗΜΑ 8.1 8. ίκτυα Kohonen Το µοντέλο αυτό των δικτύων προτάθηκε το 1984 από τον Kοhonen, και αφορά διαδικασία εκµάθησης χωρίς επίβλεψη, δηλαδή δεν δίδεται καµία εξωτερική επέµβαση σχετικά µε τους στόχους που πρέπει

Διαβάστε περισσότερα

Το μοντέλο Perceptron

Το μοντέλο Perceptron Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο

Διαβάστε περισσότερα

Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές

Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα επανάληψη Γενετικών Αλγορίθµων η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Κωδικοποίηση Αντικειµενική Συνάρτ Αρχικοποίηση Αξιολόγηση

Διαβάστε περισσότερα

4. Ο αισθητήρας (perceptron)

4. Ο αισθητήρας (perceptron) 4. Ο αισθητήρας (perceptron) Σκοπός: Προσδοκώµενα αποτελέσµατα: Λέξεις Κλειδιά: To µοντέλο του αισθητήρα (perceptron) είναι από τα πρώτα µοντέλα νευρωνικών δικτύων που αναπτύχθηκαν, και έδωσαν µεγάλη ώθηση

Διαβάστε περισσότερα

Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Μάθηση και Γενίκευση. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ

ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 1 ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ ΚΩ ΙΚΟΠΟΙΗΣΗ ΕΡΩΤΗΜΑ 1.1 Ο φαινότυπος ενός ατόµου α.αναπαριστά ένα άτοµο στο χώρο λύσεων του προβλήµατος β.κωδικοποιεί

Διαβάστε περισσότερα

Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP)

Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP) Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP) x -0,5 a x x 2 0 0 0 0 - -0,5 y y 0 0 x 2 -,5 a 2 θ η τιμή κατωφλίου Μία λύση του προβλήματος XOR Multi Layer Perceptron (MLP) x -0,5 Μία

Διαβάστε περισσότερα

Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron Βιολογικός Νευρώνας Δενδρίτες, που αποτελούν τις γραμμές εισόδου των ερεθισμάτων (βιολογικών σημάτων) Σώμα, στο οποίο γίνεται η συσσώρευση των ερεθισμάτων και

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΤΡΙΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΑΝΑΖΗΤΗΣΗ

ΕΡΩΤΗΜΑΤΑ σε ΑΝΑΖΗΤΗΣΗ ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Ερωτήσεων Quiz - ΑΝΑΖΗΤΗΣΗ 1 ΕΡΩΤΗΜΑΤΑ σε ΑΝΑΖΗΤΗΣΗ ΕΡΩΤΗΜΑ 1 Έστω h µία παραδεκτή ευρετική συνάρτηση. Είναι η συνάρτηση h ½ παραδεκτή; a. Ναι, πάντα. b. Όχι, ποτέ. c.

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 3ο Φροντιστήριο

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 3ο Φροντιστήριο Ασκήσεις Φροντιστηρίου 3ο Φροντιστήριο Πρόβλημα 1 ο Το perceptron ενός επιπέδου είναι ένας γραμμικός ταξινομητής προτύπων. Δικαιολογήστε αυτή την πρόταση. x 1 x 2 Έξοδος y x p θ Κατώφλι Perceptron (στοιχειώδης

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Τετάρτη Ιουνίου 7 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Τετάρτη 4 Οκτωβρίου 2006 0:00-3:00 ίνεται το παρακάτω

Διαβάστε περισσότερα

Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα

Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Πολυεπίπεδες Perceptron Οαλγόριθµος

Διαβάστε περισσότερα

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση

Διαβάστε περισσότερα

Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή

Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 19 Ιουνίου 2008 11:00-14:00 Έστω το παρακάτω

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης

Διαβάστε περισσότερα

Μεθοδολογίες παρεµβολής σε DTM.

Μεθοδολογίες παρεµβολής σε DTM. Μάθηµα : Αλγοριθµικές Βάσεις στη Γεωπληροφορική ιδάσκων : Συµεών Κατσουγιαννόπουλος Μεθοδολογίες παρεµβολής σε DTM.. Μέθοδοι παρεµβολής. Η παρεµβολή σε ψηφιακό µοντέλο εδάφους (DTM) είναι η διαδικασία

Διαβάστε περισσότερα

Το Πολυεπίπεδο Perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Το Πολυεπίπεδο Perceptron. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Το Πολυ Perceptron Δίκτυα Πρόσθιας Τροφοδότησης (feedforward) Tο αντίστοιχο γράφημα του δικτύου δεν περιλαμβάνει κύκλους: δεν υπάρχει δηλαδή ανατροφοδότηση της εξόδου ενός νευρώνα προς τους νευρώνες από

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 μονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Τελικές εξετάσεις Πέμπτη 21 Ιουνίου 2012 16:30-19:30 Υποθέστε ότι θέλουμε

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Θ.Ε. ΠΛΗ31 (2004-5) ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ #3 Στόχος Στόχος αυτής της εργασίας είναι η απόκτηση δεξιοτήτων σε θέματα που αφορούν τα Τεχνητά Νευρωνικά Δίκτυα και ποιο συγκεκριμένα θέματα εκπαίδευσης και υλοποίησης.

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Ιουνίου 24 ιάρκεια: 2 ώρες Σχεδιάστε έναν αισθητήρα

Διαβάστε περισσότερα

QR είναι ˆx τότε x ˆx. 10 ρ. Ποιά είναι η τιµή του ρ και γιατί (σύντοµη εξήγηση). P = [X. 0, X,..., X. (n 1), X. n] a(n + 1 : 1 : 1)

QR είναι ˆx τότε x ˆx. 10 ρ. Ποιά είναι η τιµή του ρ και γιατί (σύντοµη εξήγηση). P = [X. 0, X,..., X. (n 1), X. n] a(n + 1 : 1 : 1) ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΥΠΟΛΟΓΙΣΜΟΣ I (22 Σεπτεµβρίου) ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ 1ο ΘΕΜΑ 1. Αφού ορίσετε ακριβώς τι σηµαίνει πίσω ευσταθής υπολογισµός, να εξηγήσετε αν ο υ- πολογισµός του εσωτερικού γινοµένου δύο διανυσµάτων

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 9: Γενίκευση

Υπολογιστική Νοημοσύνη. Μάθημα 9: Γενίκευση Υπολογιστική Νοημοσύνη Μάθημα 9: Γενίκευση Υπερπροσαρμογή (Overfitting) Ένα από τα βασικά προβλήματα που μπορεί να εμφανιστεί κατά την εκπαίδευση νευρωνικών δικτύων είναι αυτό της υπερβολικής εκπαίδευσης.

Διαβάστε περισσότερα

ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ

ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ Ακαδηµαϊκό Έτος 007-008 ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών Τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής 1η Εργαστηριακή Άσκηση Αναγνώριση

Διαβάστε περισσότερα

Γραµµικοί Ταξινοµητές

Γραµµικοί Ταξινοµητές ΚΕΣ 3: Αναγνώριση Προτύπων και Ανάλυση Εικόνας KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Γραµµικοί Ταξινοµητές ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου 7 Ncolas sapatsouls

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ"

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ" ΜΕΡΟΣ ΤΡΙΤΟ Υπεύθυνος Καθηγητής Λυκοθανάσης Σπυρίδων Ακαδημαικό Έτος: 2011-2012

Διαβάστε περισσότερα

Α. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων

Α. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων Α. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων 5 BACKPROPAGATION MULTILAYER FEEDFORWARD ΔΙΚΤΥΑ Α. ΕΙΣΑΓΩΓΗ Τα νευρωνικά δίκτυα που εξετάσαµε µέχρι τώρα είχαν

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 19η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 19η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 19η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτές βασίζονται σε ύλη των βιβλίων: Artificia Inteigence A Modern Approach των S. Russe και P.

Διαβάστε περισσότερα

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Οι παρούσες σημειώσεις αποτελούν βοήθημα στο μάθημα Αριθμητικές Μέθοδοι του 5 ου εξαμήνου του ΤΜΜ ημήτρης Βαλουγεώργης Καθηγητής Εργαστήριο Φυσικών

Διαβάστε περισσότερα

Τεχνητά Νευρωνικά Δίκτυα. Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης

Τεχνητά Νευρωνικά Δίκτυα. Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης Τεχνητά Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης Ο Βιολογικός Νευρώνας Δενδρίτες Συνάψεις Πυρήνας (Σώμα) Άξονας 2 Ο Βιολογικός Νευρώνας 3 Βασικά Χαρακτηριστικά

Διαβάστε περισσότερα

Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή

Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδημαϊκό έτος 2010-11 Χειμερινό Εξάμηνο Practice final exam 1. Έστω ότι για

Διαβάστε περισσότερα

2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5

2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5 IOYNIOΣ 23 Δίνονται τα εξής πρότυπα: x! = 2.5 Άσκηση η (3 µονάδες) Χρησιµοποιώντας το κριτήριο της οµοιότητας να απορριφθεί ένα χαρακτηριστικό µε βάση το συντελεστή συσχέτισης. Γράψτε εδώ το χαρακτηριστικό

Διαβάστε περισσότερα

Q 12. c 3 Q 23. h 12 + h 23 + h 31 = 0 (6)

Q 12. c 3 Q 23. h 12 + h 23 + h 31 = 0 (6) Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Τοµέας Υδατικών Πόρων Μάθηµα: Τυπικά Υδραυλικά Έργα Μέρος 2: ίκτυα διανοµής Άσκηση E0: Μαθηµατική διατύπωση µοντέλου επίλυσης απλού δικτύου διανοµής

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 25 Αυγούστου 26 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το

Διαβάστε περισσότερα

Μέθοδοι πολυδιάστατης ελαχιστοποίησης

Μέθοδοι πολυδιάστατης ελαχιστοποίησης Μέθοδοι πολυδιάστατης ελαχιστοποίησης με παραγώγους Μέθοδοι πολυδιάστατης ελαχιστοποίησης Δ. Γ. Παπαγεωργίου Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων dpapageo@cc.uoi.gr http://pc64.materials.uoi.gr/dpapageo

Διαβάστε περισσότερα

Οι Εξελικτικοί Αλγόριθμοι (ΕΑ) είναι καθολικοί στοχαστικοί αλγόριθμοι βελτιστοποίησης, εμπνευσμένοι από τις βασικές αρχές της φυσικής εξέλιξης.

Οι Εξελικτικοί Αλγόριθμοι (ΕΑ) είναι καθολικοί στοχαστικοί αλγόριθμοι βελτιστοποίησης, εμπνευσμένοι από τις βασικές αρχές της φυσικής εξέλιξης. Οι Εξελικτικοί Αλγόριθμοι (ΕΑ) είναι καθολικοί στοχαστικοί αλγόριθμοι βελτιστοποίησης, εμπνευσμένοι από τις βασικές αρχές της φυσικής εξέλιξης. Ένα από τα γνωστότερα παραδείγματα των ΕΑ είναι ο Γενετικός

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 16: O αλγόριθμος SIMPLE (συνέχεια)

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 16: O αλγόριθμος SIMPLE (συνέχεια) ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ Διάλεξη 16: O αλγόριθμος SIMPLE (συνέχεια) Χειμερινό εξάμηνο 2008 Προηγούμενη παρουσίαση... Εξετάσαμε λύσεις

Διαβάστε περισσότερα

Μη Συµβολικές Μέθοδοι

Μη Συµβολικές Μέθοδοι Μη Συµβολικές Μέθοδοι! Η Συµβολική (symbolic AI): # Προσοµοιώνει τον τρόπο σκέψης του ανθρώπου, χρησιµοποιώντας ως δοµικές µονάδες τα σύµβολα. # Ένα σύµβολο µπορεί να αναπαριστά µία έννοια ή µία σχέση

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 6: Μάθηση με Οπισθοδιάδοση Σφάλματος Backpropagation Learning

Υπολογιστική Νοημοσύνη. Μάθημα 6: Μάθηση με Οπισθοδιάδοση Σφάλματος Backpropagation Learning Υπολογιστική Νοημοσύνη Μάθημα 6: Μάθηση με Οπισθοδιάδοση Σφάλματος Backpropagation Learning Κεντρική ιδέα Τα παραδείγματα μάθησης παρουσιάζονται στο μηεκπαιδευμένο δίκτυο και υπολογίζονται οι έξοδοι. Για

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΜΗ ΓΡΑΜΜΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Η παραπάνω ανάλυση ήταν χρήσιμη προκειμένου να κατανοήσουμε τη λογική των δικτύων perceptrons πολλών επιπέδων

Διαβάστε περισσότερα

Σηµειώσεις στις σειρές

Σηµειώσεις στις σειρές . ΟΡΙΣΜΟΙ - ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ Σηµειώσεις στις σειρές Στην Ενότητα αυτή παρουσιάζουµε τις βασικές-απαραίτητες έννοιες για την µελέτη των σειρών πραγµατικών αριθµών και των εφαρµογών τους. Έτσι, δίνονται συστηµατικά

Διαβάστε περισσότερα

Το άθροισµα των εισερχόµενων σηµάτων είναι:

Το άθροισµα των εισερχόµενων σηµάτων είναι: 7. ίκτυα Hopfeld Σε µία πολύ γνωστή εργασία το 982 ο Hopfeld παρουσίασε µια νέα κατηγορία δικτύων, τα οποία έχουν µεγάλες υπολογιστικές ικανότητες και είναι χρήσιµα σε δύο κατηγορίες προβληµάτων. Πρώτα,

Διαβάστε περισσότερα

Πληροφοριακά Συστήματα & Περιβάλλον

Πληροφοριακά Συστήματα & Περιβάλλον ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πληροφοριακά Συστήματα & Περιβάλλον Ενότητα 8: Τεχνητά Νευρωνικά Δίκτυα Παναγιώτης Λεφάκης Δασολογίας & Φυσικού Περιβάλλοντος Άδειες Χρήσης

Διαβάστε περισσότερα

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Με τον όρο μη γραμμικές εξισώσεις εννοούμε εξισώσεις της μορφής: f( ) 0 που προέρχονται από συναρτήσεις f () που είναι μη γραμμικές ως προς. Περιέχουν δηλαδή

Διαβάστε περισσότερα

Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν

Διαβάστε περισσότερα

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Άσκηση 1 Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Υπάρχουν τρία μαύρα τετραγωνάκια (b), τρία άσπρα (w) και ένα κενό (e). Η σπαζοκεφαλιά έχει τις ακόλουθες

Διαβάστε περισσότερα

3. O ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ PERCEPTRON

3. O ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ PERCEPTRON 3. O ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ PERCEPRON 3. ΕΙΣΑΓΩΓΗ: Το Perceptron είναι η απλούστερη μορφή Νευρωνικού δικτύου, το οποίο χρησιμοποιείται για την ταξινόμηση ενός ειδικού τύπου προτύπων, που είναι γραμμικά διαχωριζόμενα.

Διαβάστε περισσότερα

Κεφάλαιο 6. Εισαγωγή στη µέθοδο πεπερασµένων όγκων επίλυση ελλειπτικών και παραβολικών διαφορικών εξισώσεων

Κεφάλαιο 6. Εισαγωγή στη µέθοδο πεπερασµένων όγκων επίλυση ελλειπτικών και παραβολικών διαφορικών εξισώσεων Κεφάλαιο 6 Εισαγωγή στη µέθοδο πεπερασµένων όγκων επίλυση ελλειπτικών παραβολικών διαφορικών εξισώσεων 6.1 Εισαγωγή Η µέθοδος των πεπερασµένων όγκων είναι µία ευρέως διαδεδοµένη υπολογιστική µέθοδος επίλυσης

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΧΩΡΟΥ ΤΩΝ ΤΑΞΙΝΟΜΗΤΩΝ Ταξινομητές Ταξινομητές συναρτ. διάκρισης Ταξινομητές επιφανειών απόφ. Παραμετρικοί ταξινομητές Μη παραμετρικοί

Διαβάστε περισσότερα

Νευρωνικά ίκτυα και Εξελικτικός

Νευρωνικά ίκτυα και Εξελικτικός Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα Μη επιβλεπόµενη Μάθηση Ανταγωνιστική Μάθηση Αλγόριθµος Leader-follower clusterng Αυτοοργανούµενοι χάρτες Kohonen Ανταγωνισµός Συνεργασία

Διαβάστε περισσότερα

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 6: ΠΡΟΣΑΡΜΟΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΤΙΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ Ακαδηµαϊκό Έτος 26 27, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το

Διαβάστε περισσότερα

Κεφάλαιο 2. Μέθοδος πεπερασµένων διαφορών προβλήµατα οριακών τιµών µε Σ Ε

Κεφάλαιο 2. Μέθοδος πεπερασµένων διαφορών προβλήµατα οριακών τιµών µε Σ Ε Κεφάλαιο Μέθοδος πεπερασµένων διαφορών προβλήµατα οριακών τιµών µε Σ Ε. Εισαγωγή Η µέθοδος των πεπερασµένων διαφορών είναι από τις παλαιότερες και πλέον συνηθισµένες και διαδεδοµένες υπολογιστικές τεχνικές

Διαβάστε περισσότερα

Αριθµητική Ολοκλήρωση

Αριθµητική Ολοκλήρωση Κεφάλαιο 5 Αριθµητική Ολοκλήρωση 5. Εισαγωγή Για τη συντριπτική πλειοψηφία των συναρτήσεων f (x) δεν υπάρχουν ή είναι πολύ δύσχρηστοι οι τύποι της αντιπαραγώγου της f (x), δηλαδή της F(x) η οποία ικανοποιεί

Διαβάστε περισσότερα

Πολύγωνο αθροιστικών σχετικών συχνοτήτων και διάµεσος µιας τυχαίας µεταβλητής ρ. Παναγιώτης Λ. Θεοδωρόπουλος πρώην Σχολικός Σύµβουλος ΠΕ03 e-mail@p-theodoropoulos.gr Πρόλογος Στην εργασία αυτή αναλύονται

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4 ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 4 Ηµεροµηνία αποστολής στον φοιτητή: 9 Φεβρουαρίου 5. Τελική ηµεροµηνία αποστολής από τον φοιτητή: Μαρτίου 5.

Διαβάστε περισσότερα

ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ. Καραγιώργου Σοφία

ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ. Καραγιώργου Σοφία ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Καραγιώργου Σοφία Εισαγωγή Προσομοιώνει βιολογικές διεργασίες (π.χ. λειτουργία του εγκεφάλου, διαδικασία

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΕΠΛ 035 - ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΗΛΕΚΤΡΟΛΟΓΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΚΑΙ ΜΗΧΑΝΙΚΟΥΣ ΥΠΟΛΟΓΙΣΤΩΝ Ακαδηµαϊκό έτος 2017-2018 Υπεύθυνος εργαστηρίου: Γεώργιος

Διαβάστε περισσότερα

ιαφορική εντροπία Σεραφείµ Καραµπογιάς

ιαφορική εντροπία Σεραφείµ Καραµπογιάς ιαφορική εντροπία Σεραφείµ Καραµπογιάς Για πηγές διακριτού χρόνου µε συνεχές αλφάβητο, των οποίων οι έξοδοι είναι πραγµατικοί αριθµοί, ορίζεται µια άλλη ποσότητα που µοιάζει µε την εντροπία και καλείται

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 15: O αλγόριθμος SIMPLE

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 15: O αλγόριθμος SIMPLE ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ Διάλεξη 15: O αλγόριθμος SIMPLE Χειμερινό εξάμηνο 2008 Προηγούμενη παρουσίαση... Εξετάσαμε τις θέσεις που

Διαβάστε περισσότερα

Παλαιότερες ασκήσεις

Παλαιότερες ασκήσεις Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY6 - Συστήµατα Ανάκτησης Πληροφοριών Παλαιότερες ασκήσεις η Σειρά Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Άσκηση ( η σειρά ασκήσεων

Διαβάστε περισσότερα

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

Αριθµητική Ανάλυση 1 εκεµβρίου / 43 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι

Διαβάστε περισσότερα

ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ

ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervsed cassfcaton) Μη-κατευθυνόμενη ταξινόμηση (unsupervsed cassfcaton) Γραμμική: Lnear Dscrmnant Anayss Μη- Γραμμική: Νευρωνικά δίκτυα κλπ. Ιεραρχική

Διαβάστε περισσότερα

ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ

ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ 3 Κεφάλαιο ο: ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ ο ΜΕΡΟΣ Απαντήσεις στις ερωτήσεις του τύπου Σωστό-Λάθος. Σ 6. Λ 8. Λ. Σ 7. Σ 9. Λ 3. Λ 8. Λ 3. Σ 4. Σ 9. Σ 3. α) Σ 5. Σ. Σ β) Σ 6.

Διαβάστε περισσότερα

Επίλυση δικτύων διανοµής

Επίλυση δικτύων διανοµής Επίλυση δικτύων διανοµής Σηµειώσεις στα πλαίσια του µαθήµατος: Τυπικά υδραυλικά έργα Ακαδηµαϊκό έτος 00-06 Ανδρέας Ευστρατιάδης & ηµήτρης Κουτσογιάννης Εθνικό Μετσόβιο Πολυτεχνείο Τοµέας Υδατικών Πόρων

Διαβάστε περισσότερα

Αλγόριθµοι και Πολυπλοκότητα

Αλγόριθµοι και Πολυπλοκότητα Αλγόριθµοι και Πολυπλοκότητα Ν. Μ. Μισυρλής Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Πανεπιστήµιο Αθηνών Καθηγητής: Ν. Μ. Μισυρλής () Αλγόριθµοι και Πολυπλοκότητα 15 Ιουνίου 2009 1 / 26 Εισαγωγή Η ϑεωρία

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

Η ακρίβεια ορίζεται σαν το πηλίκο των ευρεθέντων συναφών εγγράφων προς τα ευρεθέντα έγγραφα. Άρα για τα τρία συστήµατα έχουµε τις εξής τιµές:

Η ακρίβεια ορίζεται σαν το πηλίκο των ευρεθέντων συναφών εγγράφων προς τα ευρεθέντα έγγραφα. Άρα για τα τρία συστήµατα έχουµε τις εξής τιµές: Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY463 - Συστήµατα Ανάκτησης Πληροφοριών 2005-2006 Εαρινό Εξάµηνο 1 η Σειρά Ασκήσεων (Αξιολόγηση Αποτελεσµατικότητας Ανάκτησης) Άσκηση 1 (4 βαθµοί) Θεωρείστε

Διαβάστε περισσότερα

Α5. Όταν η ζήτηση για ένα αγαθό είναι ελαστική, τότε πιθανή αύξηση της τιµής του, θα οδηγήσει σε µείωση της καταναλωτικής δαπάνης για αυτό το αγαθό

Α5. Όταν η ζήτηση για ένα αγαθό είναι ελαστική, τότε πιθανή αύξηση της τιµής του, θα οδηγήσει σε µείωση της καταναλωτικής δαπάνης για αυτό το αγαθό ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ ΟΛΩΝ ΤΩΝ ΚΑΤΕΥΘΥΝΣΕΩΝ ΙΑΓΩΝΙΣΜΑ 1 (για άριστα διαβασµένους) ΟΜΑ Α Α Να απαντήσετε στις επόµενες ερωτήσεις πολλαπλής επιλογής A1. Σε γραµµική ΚΠ της µορφής Y =

Διαβάστε περισσότερα

Λύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης)

Λύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών ΗΥ-6 Συστήµατα Ανάκτησης Πληροφοριών 7-8 Εαρινό Εξάµηνο Άσκηση Λύσεις ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Θεωρείστε µια

Διαβάστε περισσότερα

Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)

Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares) ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων RLS Rcrsiv Last Sqars 27 iclas sapatslis

Διαβάστε περισσότερα

Μηχανική ΙI Ροή στο χώρο των φάσεων, θεώρηµα Liouville

Μηχανική ΙI Ροή στο χώρο των φάσεων, θεώρηµα Liouville Τµήµα Π. Ιωάννου & Θ. Αποστολάτου 16/5/2000 Μηχανική ΙI Ροή στο χώρο των φάσεων, θεώρηµα Liouville Στη Χαµιλτονιανή θεώρηση η κατάσταση του συστήµατος προσδιορίζεται κάθε στιγµή από ένα και µόνο σηµείο

Διαβάστε περισσότερα

Κεφάλαιο 19 Τεχνητά Νευρωνικά ίκτυα (Artificial Neural Nets)

Κεφάλαιο 19 Τεχνητά Νευρωνικά ίκτυα (Artificial Neural Nets) Κεφάλαιο 9 Τεχνητά Νευρωνικά ίκτυα (Artfcal Neural Nets) Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Νευρωνικά ίκτυα (Ν ) - Εισαγωγή Είναι µια ιδιαίτερη

Διαβάστε περισσότερα

Γ. Κορίλη Αλγόριθµοι ροµολόγησης

Γ. Κορίλη Αλγόριθµοι ροµολόγησης - Γ. Κορίλη Αλγόριθµοι ροµολόγησης http://www.seas.upenn.edu/~tcom50/lectures/lecture.pdf ροµολόγηση σε ίκτυα εδοµένων Αναπαράσταση ικτύου µε Γράφο Μη Κατευθυνόµενοι Γράφοι Εκτεταµένα έντρα Κατευθυνόµενοι

Διαβάστε περισσότερα

ΔΙΚΤΥO RBF. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

ΔΙΚΤΥO RBF. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων ΔΙΚΤΥO RBF Αρχιτεκτονική δικτύου RBF Δίκτυα RBF: δίκτυα συναρτήσεων πυρήνα (radial basis function networks). Πρόσθιας τροφοδότησης (feedforward) για προβλήματα μάθησης με επίβλεψη. Εναλλακτικό του MLP.

Διαβάστε περισσότερα

ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM Μάθηση χωρίς επίβλεψη (unsupervised learning) Σύνολο εκπαίδευσης D={(x n )}, n=1,,n. x n =(x n1,, x nd ) T, δεν υπάρχουν τιμές-στόχοι t n. Προβλήματα μάθησης χωρίς

Διαβάστε περισσότερα

ροµολόγηση πακέτων σε δίκτυα υπολογιστών

ροµολόγηση πακέτων σε δίκτυα υπολογιστών ροµολόγηση πακέτων σε δίκτυα υπολογιστών Συµπληρωµατικές σηµειώσεις για το µάθηµα Αλγόριθµοι Επικοινωνιών Ακαδηµαϊκό έτος 2011-2012 1 Εισαγωγή Οι παρακάτω σηµειώσεις παρουσιάζουν την ανάλυση του άπληστου

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 12: Παραδείγματα Ασκήσεων 2

Υπολογιστική Νοημοσύνη. Μάθημα 12: Παραδείγματα Ασκήσεων 2 Υπολογιστική Νοημοσύνη Μάθημα 12: Παραδείγματα Ασκήσεων 2 Δίκτυα Πολλών Επιπέδων Με μη γραμμικούς νευρώνες Έστω ένα πρόβλημα κατηγοριοποίησης, με δύο βαθμούς ελευθερίας (x, y) και δύο κατηγορίες (A, B).

Διαβάστε περισσότερα

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής.

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής. 2.6 ΟΡΙΑ ΑΝΟΧΗΣ Το διάστηµα εµπιστοσύνης παρέχει µία εκτίµηση µιας άγνωστης παραµέτρου µε την µορφή διαστήµατος και ένα συγκεκριµένο βαθµό εµπιστοσύνης ότι το διάστηµα αυτό, µε τον τρόπο που κατασκευάσθηκε,

Διαβάστε περισσότερα

ΛΥΣΕΙΣ ΑΣΚΗΣΕΩΝ ΕΞΕΤΑΣΤΙΚΗΣ ΠΕΡΙΟ ΟΥ ΙΟΥΝΙΟΥ 2004., η οποία όµως µπορεί να γραφεί µε την παρακάτω µορφή: 1 e

ΛΥΣΕΙΣ ΑΣΚΗΣΕΩΝ ΕΞΕΤΑΣΤΙΚΗΣ ΠΕΡΙΟ ΟΥ ΙΟΥΝΙΟΥ 2004., η οποία όµως µπορεί να γραφεί µε την παρακάτω µορφή: 1 e ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΛΥΣΗΣ ΗΛΕΚΤΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ ΜΑΘΗΜΑ: ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ ΛΥΣΕΙΣ ΑΣΚΗΣΕΩΝ ΕΞΕΤΑΣΤΙΚΗΣ ΠΕΡΙΟ ΟΥ ΙΟΥΝΙΟΥ 4 AΣΚΗΣΗ () [ ] (.5)

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται

Διαβάστε περισσότερα

6.1 Θεωρητική εισαγωγή

6.1 Θεωρητική εισαγωγή ΨΗΦΙΑΚΑ ΚΥΚΛΩΜΑΤΑ - ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 6 ΑΠΟΚΩ ΙΚΟΠΟΙΗΤΕΣ ΚΑΙ ΠΟΛΥΠΛΕΚΤΕΣ Σκοπός: Η κατανόηση της λειτουργίας των κυκλωµάτων ψηφιακής πολυπλεξίας και αποκωδικοποίησης και η εξοικείωση µε τους ολοκληρωµένους

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n

ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 3 Ο αλγόριθµος Gauss Eστω =,3,, µε τον όρο γραµµικά συστήµατα, εννοούµε συστήµατα εξισώσεων µε αγνώστους της µορφής: a x + + a x = b a x + + a x = b a

Διαβάστε περισσότερα

Κεφάλαιο 1. Αριθµητική ολοκλήρωση συνήθων διαφορικών εξισώσεων και συστηµάτων

Κεφάλαιο 1. Αριθµητική ολοκλήρωση συνήθων διαφορικών εξισώσεων και συστηµάτων Κεφάλαιο Αριθµητική ολοκλήρωση συνήθων διαφορικών εξισώσεων και συστηµάτων. Εισαγωγή Η µοντελοποίηση πολλών φυσικών φαινοµένων και συστηµάτων και κυρίως αυτών που εξελίσσονται στο χρόνο επιτυγχάνεται µε

Διαβάστε περισσότερα