Τεχνητά Νευρωνικά Δίκτυα
|
|
- Ἀριστείδης Μέλιοι
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Εισαγωγή Τεχνητή Νοημοσύνη 9 Είναι μια ιδιαίτερη προσέγγιση στη δημιουργία συστημάτων με νοημοσύνη: Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα (Artificial Nural Ntwors) Δεν αναπαριστούν ρητά τη γνώση (π.χ. με κανόνες if-thn) όπως τα συστήματα γνώσης. Δεν υιοθετούν ειδικά σχεδιασμένους αλγόριθμους αναζήτησης. Δεν εξελίσσουν καλές λύσεις όπως οι Γενετικοί Αλγόριθμοι. Βασίζονται σε βιολογικά πρότυπα: x προσομοίωση μικρής κλίμακας του τρόπου λειτουργίας του εγκεφάλου Έχουν ικανότητα μάθησης κύρια μέσω καταγεγραμμένων παρατηρήσεων και μπορεί να συνεισφέρουν στην ευφυΐα μιας τεχνητής οντότητα (π.χ. ενός λογισμικού πράκτορα / softwar agnt), με κάποιον από τους ακόλουθους τρόπους: πρόβλεψη (π.χ. βραχυπρόθεσμη πρόβλεψη ισοτιμιών νομισμάτων ή τιμών μετοχών) ταξινόμηση (π.χ. κατηγοριοποίηση ιατρικών εικόνων, στόχων, κτλ) αναγνώριση (π.χ. προσώπου σε συστήματα ασφάλειας) αποτίμηση (π.χ. παρακολούθηση στόχων σε οπλικά συστήματα με αυτονομία) Πώς θα μπορούσαμε να φτιάξουμε τεχνητές δομές που να λειτουργούν όπως ο εγκέφαλος; Πώς λειτουργεί ο εγκέφαλος; Φώτης Κόκκορας ΤΕΙ Θεσσαλίας Τμήμα Μηχανικών Πληροφορικής ΤΕ -2- Φώτης Κόκκορας Βιολογικός Νευρώνας Τεχνητή Νοημοσύνη Φυσικά Νευρωνικά Δίκτυα Τα ηλεκτρικά σήματα (προερχόμενα από άλλους νευρώνες) που εισέρχονται στο σώμα μέσω των δενδριτών, συνδυάζονται και αν το αποτέλεσμα ξεπερνά κάποιο όριο (κατώφλι), παράγεται κάποιο σήμα το οποίο διαδίδεται μέσω του άξονα προς άλλους νευρώνες. Ανθρώπινος εγκέφαλος: περίπου δισεκατομμύρια νευρώνες κάθε νευρώνας συνδέεται κατά μέσο όρο με άλλους νευρώνες άρα: περίπου τρισεκατομμύρια συνάψεις! Η αντιγραφή ομοιώματος είναι εφικτή μόνο σε πολύ περιορισμένη κλίμακα (μερικές χιλιάδες ή δεκάδες χιλιάδες νευρώνες συνήθως πολύ λιγότεροι) Ο χρόνος απόκρισης των βιολογικών νευρώνων είναι της τάξης των msc...όμως ο εγκέφαλος λαμβάνει πολύπλοκες αποφάσεις, εκπληκτικά γρήγορα! Η υπολογιστική ικανότητα του εγκεφάλου και η πληροφορία που περιέχει είναι διαμοιρασμένα σε όλο του τον όγκο. Μάθηση και μνήμη υλοποιούνται με μεταβολές στην αγωγιμότητα των συνάψεων. Ο εγκέφαλος είναι ένα παράλληλο και κατανεμημένο υπολογιστικό σύστημα. η αγωγιμότητα μεταβάλλεται με χημικές διεργασίες Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -4- Τεχνητή Νοημοσύνη
2 Ιστορική Αναδρομή (/) 94, McCulloch (νευροφυσιολόγος) και Pitts (μαθηματικός): πρώτο μοντέλο ΤΝΔ στην προσπάθεια εξήγησης της μνήμης ο νευρώνας έχει πολλές ς αλλά μία έξοδο οι έξοδοι δεν ενώνονται πρέπει όμως να καταλήγουν σε άλλο νευρώνα, πιθανώς και στον ίδιο νευρώνα ο νευρώνας μπορεί να είναι σε δύο καταστάσεις: πυροδοτεί (στέλνει ηλεκτρικό παλμό) ή βρίσκεται σε ηρεμία οι λειτουργίες αυτές γίνονται σε διακριτό χρόνο, δηλ. το σύστημα δρα συγχρονισμένα η κατάσταση σε χρόνο t+ εξαρτάται από την κατάσταση σε χρόνο t και τις ς που δέχεται εκείνη τη στιγμή ερμηνεία: η μνήμη υλοποιείται με κλειστές διαδρομές ηλεκτρικού σήματος που ελέγχονται από διεγερτικούς και ανασταλτικούς μηχανισμούς 949, Hbb: κανόνας μάθησης Hbb κάθε φορά που το σύστημα διεγείρεται με "σήμα " και χρησιμοποιεί τις συνδέσεις μεταξύ των νευρώνων, αυτές ενισχύονται και το δίκτυο πλησιάζει περισσότερο στο να μάθει το "σήμα" Δεκαετία '5: John von Nwman ανέφερε τις εργασίες των McCulloch & Pitts ως παραδείγματα υπολογιστικών μηχανών Φώτης Κόκκορας -5- Τεχνητή Νοημοσύνη Ιστορική Αναδρομή (2/) 957, Rosnblatt: έφτιαξε το πρώτο δίκτυο (σε hardwar) prcptron (αισθητήρας) είχε μόνο είσοδο και έξοδο και μπορούσε να κάνει διάφορες διεργασίες (βλ. συνέχεια) αρχικά δημιούργησε μεγάλο ενθουσιασμό 959, Widrow και Hoff: ανέπτυξαν δύο νέα μοντέλα (Adalin, Madalin) που χρησιμοποιήθηκαν με επιτυχία σε πρακτικές εφαρμογές (ως φίλτρα σε τηλεφωνικά δίκτυα) 969, Minsy και Paprt: απέδειξαν με αναλυτικά μαθηματικά ότι υπάρχουν συγκεκριμένοι περιορισμοί στο τι μπορούν να κάνουν τα prcptrons η εργασία αυτή λειτούργησε ως "ταφόπλακα" για τα ΤΝΔ το ενδιαφέρον στράφηκε στις συμβολικές και με βάση τη λογική μεθόδους η Αναγέννηση 982, Hopfild (βιολόγος): σε 5 σελίδες απέδειξε με μαθηματικό τρόπο: πώς ένα ΤΝΔ μπορεί να χρησιμοποιηθεί ως αποθηκευτικός χώρος ότι ένα ΤΝΔ είναι δυνατό να ανακτήσει την αποθηκευμένη πληροφορία ακόμη κι αν η είσοδος διαφέρει ελαφρώς από αυτά που "γνωρίζει" κατανοήθηκε η απαίτηση για μηχανισμό εκπαίδευσης που να βασίζεται στο σφάλμα που παράγει το δίκτυο στην έξοδό του Φώτης Κόκκορας -6- Τεχνητή Νοημοσύνη Ιστορική Αναδρομή (2/) 986, McCllland και Rumlhart: παρουσιάζουν τον τρόπο με τον οποίο ένα ΤΝΔ μπορεί να θεωρηθεί και να χρησιμοποιηθεί ως παράλληλος επεξεργαστής. εισάγουν την έννοια των κρυφών επιπέδων που δεν υπήρχαν στο prcptron προτείνουν την πιο πολυχρησιμοποιημένη (ακόμη και στις μέρες μας) διαδικασία εκπαίδευσης για ΤΝΔ, τη μέθοδο της οπισθοδιάδοσης (bac-propagation) η μέθοδος αυτή είχε συζητηθεί και παλαιότερα αλλά τώρα διατυπώθηκε ολοκληρωμένα και με αυστηρά μαθηματικό τρόπο Δεκαετία '9: ραγδαία εξέλιξη ανεξάρτητο επιστημονικό πεδίο τουλάχιστο επιστημονικά περιοδικά αφιερωμένα σε TNΔ ετήσια συνέδρια εμπορικές εφαρμογές (κυρίως από τις ΗΠΑ) Σήμερα: χαμηλότεροι ρυθμοί εξέλιξης, χωρίς ραγδαία αύξηση των εφαρμογών Φώτης Κόκκορας -7- Τεχνητή Νοημοσύνη Μοντέλο Τεχνητού Νευρώνα (Artificial Nuron) x x 2 x i x n w 2 w i w n w x = πόλωση (bias) w Αθροιστής = Σw i x i (i=..n) Συνάρτηση Ενεργοποίησης Έξοδος y = f () Φώτης Κόκκορας -8- Τεχνητή Νοημοσύνη f Τα βάρη w i είναι το ισοδύναμο των συνάψεων του βιολογικού νευρώνα. Συνηθέστερη συνάρτηση ενεργοποίησης είναι η σιγμοειδής συνάρτηση (βλ. σχήμα) Ονομάζεται έτσι λόγω της γραφικής της παράστασης (πεπλατυσμένο ) Μία έξοδος: εννοούμε ότι προκύπτει μια τιμή οι απολήξεις μπορεί να είναι πολλές a y
3 Συναρτήσεις Ενεργοποίησης (/2) Βασική απαίτηση: να είναι μη γραμμική ώστε να μπορεί να μοντελοποιεί μη γραμμικά φαινόμενα. Επίσης πρέπει να είναι συνεχής και παραγωγίσιμη σε όλο το πεδίο ορισμού της καθώς το απαιτεί το μαθηματικό μοντέλο πίσω από το μηχανισμό εκπαίδευσης του νευρωνικού δικτύου (θα τον δούμε παρακάτω). + f () Κατώφλι T + - f () Φώτης Κόκκορας -9- Τεχνητή Νοημοσύνη Κατώφλι T +.5 f () a a 2 a >a 2 α) Βηματική Συνάρτηση β) Συνάρτηση Προσήμου γ) Λογιστική Συνάρτηση Η βηματική και η προσήμου χρησιμοποιήθηκαν παλαιότερα σε απλά prcptron. Η λογιστική (logistic) συνάρτηση είναι μια σιγμοειδής συνάρτηση που έχει τα ζητούμενα χαρακτηριστικά. Συναρτήσεις Ενεργοποίησης (2/2) Γραφική παράσταση των πιο συχνών σε χρήση συναρτήσεων ενεργοποίησης σε ΤΝΔ Η σιγμοειδής συνάρτηση για διάφορα a λογιστική (logistic) συνάρτηση Φ υπερβολική συνάρτηση Φ a Η υπερβολική συνάρτηση tanh().2 2 tanh 2 Έξοδος μεταξύ και Έξοδος μεταξύ - και Μικρότερες τιμές a στην λογιστική συνάρτηση κάνουν την καμπύλη πιο πεπλατυσμένη. Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη x x 2 Λογικές Συναρτήσεις με Τεχνητό Νευρώνα w = w 2 = Βηματική Τ=.5 AND x x 2 w = w 2 = Στα επόμενα θεωρούμε binary input ( ή ). Βηματική Τ=.5 Παράδειγμα: υλοποίηση του AND Όταν αθροιστής βγάλει τιμή πάνω από Τ=.5 η έξοδος είναι. x x 2 y 2 Παράδειγμα: υλοποίηση του NOT: Όταν x= τότε =- και y= Όταν x= τότε = και y= Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη OR x w = - Κατώφλι T=-.5 Βηματική Τ= -.5 NOT f () + Βηματική Συνάρτηση Prcptron Η πιο απλή τοπολογία δικτύου με απλή τροφοδότηση. ένας νευρώνας (!) με βηματική συνάρτηση ενεργοποίησης Πώς συντελείται η μάθηση: μέσω αναπροσαρμογής των τιμών των βαρών. αρχικά τα βάρη έχουν τυχαίες τιμές τις αναπροσαρμόζουν επιδιώκοντας για δεδομένο input να υπολογίσουν το (γνωστό) επιθυμητό output οδηγός της αναπροσαρμογής είναι το σφάλμα μεταξύ της τιμής που υπολογίζουν και της τιμής που θέλουμε να υπολογίσουν (μαθαίνουν από τα λάθη τους!!!) τα δεδομένα (input-output) που χρησιμοποιούνται ονομάζονται δεδομένα εκπαίδευσης (training data) και προέρχονται από μετρήσεις/καταγραφή αυτού που θέλουμε να μάθουν π.χ. μαθαίνουν να κάνουν διάγνωση καρκίνου εκπαιδευόμενα με δεδομένα εξετάσεων υγειών ατόμων και ατόμων που αποδεδειγμένα πάσχουν/έπασχαν από την ασθένεια στις γενικές του αρχές ο μηχανισμός ισχύει και για πιο πολύπλοκα νευρωνικά δίκτυα Μπορούμε να συνδυάσουμε prcptrons για να φτιάξουμε πιο πολύπλοκα ΤΝΔ, αλλά μόνο με τη φιλοσοφία του σχήματος δεξιά: Φώτης Κόκκορας -2- Τεχνητή Νοημοσύνη
4 Αλγόριθμος Μεταβολής Βαρών στο Prcptron Αλγόριθμος αναπροσαρμογής (μεταβολής) των βαρών: Μέχρις ότου ικανοποιηθεί η συνθήκη τερματισμού της εκπαίδευσης επανέλαβε: Για κάθε ζευγάρι x και επιθυμητής t από το σύνολο δεδομένων εκπαίδευσης. Υπολόγισε την έξοδο y 2. Εάν y=t τότε δε γίνεται καμία μεταβολή στα βάρη. Εάν yt τότε μετέβαλε τα βάρη κατά την ποσότητα Δw=d(t-y)x έτσι ώστε το y να πλησιάσει το t. d: σταθερά - ρυθμός μάθησης (larning rat) συνήθως έχει μικρές τιμές Γραμμική Διαχωρισιμότητα (/4) Στο prcptron που καλείται να "μάθει" το λογικό KAI, ο τρόπος που συνδυάζονται τα x και x 2 για τον υπολογισμό της, ορίζουν μια ευθεία ε στο x x 2 x * w +x 2* w 2 =T Η διαδικασία της εκπαίδευσης μεταβάλει τις τιμές των βαρών w και w 2. Αυτό όμως πρακτικά σημαίνει αλλαγή που προσανατολισμού της ευθείας ε. Όταν το prcptron έχει εκπαιδευτεί, η ευθεία ε χωρίζει τα διανύσματα σε ομάδες, ανάλογα με την έξοδο. π.χ. στο AND, κάτω από την ε είναι τα τρία ζευγάρια x, x 2 που δίνουν έξοδο ενώ από πάνω το ζευγάρι που γίνει έξοδο. x2 x2 x w +x 2 w 2 =T ε AND XOR Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη x x AND XOR Λέμε ότι το AND είναι γραμμικώς διαχωρίσιμο πρόβλημα (linarly sparabl). Στην περίπτωση του XOR δεν ισχύει αυτό! Δεν υπάρχει τέτοια ευθεία! Φώτης Κόκκορας -4- Τεχνητή Νοημοσύνη Γραμμική Διαχωρισιμότητα (2/4) Γενίκευση Ένα prcptron με n γραμμές μπορεί να θεωρηθεί ότι αναπαριστά ένα υπερ n- διαστάσεων που διαχωρίζει τα διανύσματα σε ομάδες, ανάλογα με την έξοδο. Στην περίπτωση του AND (n=2) το υπερ είναι ευθεία (μία διάσταση) που χωρίζει τα σημεία που ορίζουν τα input σε δύο περιοχές. Τα μη γραμμικώς διαχωρίσιμα προβλήματα απαιτούν τη χρήση ΤΝΔ με ενδιάμεσα κρυφά επίπεδα! Ο λόγος για αυτή την απαίτηση έχει να κάνει με τη αδυναμία απλών ΤΝΔ να οριοθετήσουν μη κυρτές περιοχές με ευθείες σαν την ε. Κλειστές (αριστερά) και ανοιχτή (δεξιά) κυρτές περιοχές Τα ΤΝΔ με πολλούς νευρώνες έχουν καλύτερη διαχωρισιμότητα από το απλό prcptron. Στο παράδειγμα υπάρχουν δύο νευρώνες (πράσινα) και απαιτούνται 2 εξισώσεις (ευθείες ε και ε 2 ) για να περιγράψει κανείς το τι ισχύει ως προς τους υπολογισμούς. Η εκπαίδευση καθορίζει τα w άρα και τη θέση και την κλίση των ευθειών. Οι πολλές ευθείες μπορεί να οριοθετήσουν το χώρο με πιο πολύπλοκο τρόπο! Γραμμική Διαχωρισιμότητα (/4) Ιδανικά θα θέλαμε να μπορούμε να οριοθετήσουμε μη κυρτές περιοχές! y x ε 2 w 2 w 2 y ε ε : xw +yw 2 =T ε 2 : xw 2 +yw 22 =T 2 w w 22 T T 2 x Φώτης Κόκκορας -5- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -6- Τεχνητή Νοημοσύνη
5 Γραμμική Διαχωρισιμότητα (4/4) Η ύπαρξη κρυφών επιπέδων επιτρέπει στην οριοθέτηση μη κυρτών περιοχών. A x y B μη κυρτή περιοχή "Α και όχι Β" κρυφό Επιπλέον, η εισαγωγή περισσότερων νευρώνων επιτρέπει να οριοθετηθούν πιο πολύπλοκες περιοχές. Φώτης Κόκκορας -7- Τεχνητή Νοημοσύνη z XOR rvisitd Η ακόλουθη τοπολογία (με κρυφό ) μπορεί να "μάθει" το XOR. x x 2 w = w 2 = w = w 4 =-2 θ=.5 w 5 = x x 2 Έξοδος y Χρειαζόμαστε συστηματικό τρόπο εκπαίδευσης για ΤΝΔ με κρυφά επίπεδα! Ο αλγόριθμος εκπαίδευσης του prcptron δεν επαρκεί. Πριν πάμε σε ΤΝΔ με κρυφά επίπεδα, ας δούμε τον κανόνα Δέλτα. Φώτης Κόκκορας -8- Τεχνητή Νοημοσύνη θ=.5 y Κανόνας Δέλτα (/2) Πρόκειται για γενίκευση του αλγορίθμου εκπαίδευσης του prcptron ελαχιστοποίηση του μέσου τετραγωνικού σφάλματος των διανυσμάτων εκπαίδευσης δεν μπορεί να εφαρμοστεί σε δίκτυα με κρυφά επίπεδα Μέσο τετραγωνικό σφάλμα Ε στο στοιχειώδες prcptron, για p διανύσματα εκπαίδευσης: E p p ( t input ) input : σήμα του νευρώνα (χωρίς βλάβη της γενικότητας, παραβλέπουμε τη συνάρτηση ενεργοποίησης καθώς είναι πολύ απλή (βηματική) στο prcptron) Συνολικό σήμα για κάποιο διάνυσμα εκπαίδευσης p: Φώτης Κόκκορας -9- Τεχνητή Νοημοσύνη input w x i i n i t : επιθυμητή έξοδος η εξίσωση της Ε ως προς τα w i ορίζει μια υπερεπιφάνεια n διαστάσεων της οποίας αναζητούμε το ελάχιστο γιατί τετραγωνικό σφάλμα: μας ενδιαφέρει το σφάλμα και όχι το πρόσημό του υψώνοντάς το στο τετράγωνο είναι πάντα θετικό 2 Κανόνας Δέλτα (2/2) Ο κανόνας Δέλτα ακολουθεί την αρνητική κλίση της επιφάνειας σφάλματος, με κατεύθυνση προς το ελάχιστό της: E wi wi Η παράγωγος του Ε ως προς τα w είναι: E E E,..., w w n Η μεταβολή στην τιμή του βάρους w i, εξαιτίας της εκπαίδευσης με ένα μόνο από τα διανύσματα εκπαίδευσης, δίνεται από τη σχέση: w i wi ( nw) wi ( old) d( t input) xi Φώτης Κόκκορας -2- Τεχνητή Νοημοσύνη
6 Ποιοτική Ερμηνεία της Εκπαίδευσης Prcptron Έχουμε δεδομένα -επιθυμητής. Το ΤΝΔ για τυχαία αρχικοποιημένο σύνολο βαρών w i και δεδομένη είσοδο υπολογίζει μια έξοδο, εν γένη διαφορετική από την επιθυμητή. Υπάρχει δηλαδή σφάλμα. Αν Ε=f(w, w 2,..., w n ) είναι η συνάρτηση υπολογισμού του μέσου σφάλματος για όλα τα δεδομένα εκπαίδευσης, τότε η εκπαίδευση συνίσταται στην αναζήτηση εκείνων των τιμών για τα βάρη (w, w 2,..., w n ) που ελαχιστοποιούν το Ε (το σφάλμα) Σχήμα: μια γεωμετρική αναπαράσταση της εκπαίδευσης για στοιχειώδες prcptron με 2 ς (άρα 2 βάρη). Η επιφάνεια είναι η συνάρτηση σφάλματος. Η εκπαίδευση συνίσταται στο να βρούμε το ελάχιστό της ακολουθώντας την αρνητική της κλίση (δηλ. μια "κατηφόρα" - Κανόνας της Επικλινούς Καθόδου). Δεν μπορεί όμως να εφαρμοστεί σε δίκτυα με κρυφά επίπεδα!!! Αποτέλεσμα: Η έρευνα στα ΤΝΔ w ' εξασθένησε για πολλά χρόνια! w Φώτης Κόκκορας -2- Τεχνητή Νοημοσύνη Ε min Ε Ιδανικό Διάνυσμα Βαρών w 2 ' Διάνυσμα "Δέλτα" w 2 Τρέχων Διάνυσμα Βαρών Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) Συστήματα επεξεργασίας δεδομένων που αποτελούνται από ένα πλήθος τεχνητών νευρώνων οργανωμένων σε δομές παρόμοιες με αυτές του ανθρώπινου εγκεφάλου. Συντομογραφία για πολυεπίπεδα ΤΝΔ: (p, m, m 2,..., m q, n) Για το σχήμα: p=, m =4, n=2 Κρυφό Επίπεδο 4 w4 Κάθε νευρώνας συνήθως συνδέεται με όλους τους νευρώνες του w48 w24 x w4 επόμενου επιπέδου (πλήρως w5 w49 y8 συνδεδεμένοι). 8 Στα επίπεδα και w25 5 w58 έχουμε απλούς μεταφορείς του w59 σήματος. Κανονικούς νευρώνες x2 w5 2 w68 έχουμε στα εσωτερικά (κρυφά) w6 επίπεδα. Πλήρως συνδεδεμένο ΤΝΔ απλής τροφοδότησης x Φώτης Κόκκορας -22- Τεχνητή Νοημοσύνη Επίπεδο Εισόδου w6 w7 w27 w26 w7 6 7 w69 w78 w79 9 y9 Επίπεδο Εξόδου Μάθηση και Ανάκληση Μάθηση - larning (ή εκπαίδευση - training) είναι η διαδικασία της τροποποίησης της τιμής των βαρών του δικτύου, ώστε δοθέντος συγκεκριμένου διανύσματος να παραχθεί συγκεκριμένο διάνυσμα. Ανάκληση (rcall) είναι η διαδικασία του υπολογισμού ενός διανύσματος για συγκεκριμένο διάνυσμα και τιμές βαρών. Στις περισσότερες εφαρμογές ΤΝΔ χρησιμοποιείται μάθηση υπό επίβλεψη...δηλαδή τροφοδοτούμε το ΤΝΔ με γνωστά δεδομένα - και ως αποτέλεσμα της εκπαίδευσης θέλουμε το ΤΝΔ να "μάθει" την άγνωστη σχέση μεταξύ έτσι ώστε δίνοντας στο εκπαιδευμένο ΤΝΔ μία άγνωστη είσοδο, αυτό να μας επιστρέψει την έξοδο (απάντηση) βάσει όσων "έμαθε". Συνολικά: θεωρούμε ότι τα ζευγάρια input και output εκπαίδευσης, συσχετίζονται με κάποια άγνωστη σχέση (που θέλουμε να μάθουμε). Δείχνουμε στο ΤΝΔ γνωστά ζευγάρια input-output και του ζητούμε (μέσω της εκπαίδευσής του) να μοντελοποιήσει αυτή τη σχέση, δηλαδή να είναι σε θέση μετά την εκπαίδευση, όταν του δίνουμε άγνωστα input από το ίδιο πρόβλημα/φαινόμενο, να υπολογίζει σωστό output. Φώτης Κόκκορας -2- Τεχνητή Νοημοσύνη Υπό-προσαρμογή Χαρακτηριστικά Εκπαίδευσης Υπερ-προσαρμογή Καλή Προσαρμογή υποπροσαρμογή (undrfitting) ή ατελής μάθησης τα δεδομένα εκπαίδευσης δεν επαρκούν ή δεν είναι αντιπροσωπευτικά της σχέσης που θέλουμε να μάθει το ΤΝΔ ή το ΤΝΔ δεν είναι κατάλληλο (π.χ. σε μέγεθος ή δομή) υπερπροσαρμογή (ovrfitting) πολύ υψηλό ποσοστό επιτυχίας στα δεδομένα με τα οποία εκπαιδεύτηκε το ΤΝΔ αλλά χαμηλής ποιότητας πρόβλεψη για άλλα άγνωστα input από το ίδιο πρόβλημα - φαινόμενα απομνημόνευσης των δεδομένων εκπαίδευσης! το ισοδύναμο της "παπαγαλίας" στους ανθρώπους γνώση π.χ. του πώς λύνονται συγκεκριμένες ασκήσεις αλλά αδυναμία επίλυσης άγνωστων αλλά παρόμοιων ασκήσεων. Γι'αυτό η εκπαίδευση σταματά σε μικρό σφάλμα (πχ 5%) και όχι σε πολύ μικρό ή μηδενικό! Στο σχήμα, φαίνεται πόσο διαφορετικό output για ίδιο input μπορεί να παραχθεί εξαιτίας κακής εκπαίδευσης. Φώτης Κόκκορας -24- Τεχνητή Νοημοσύνη
7 Δεδομένα Εκπαίδευσης Χρήση σε κύκλους εκπαίδευσης που ονομάζονται εποχές (pochs) Η εκπαίδευση τερματίζεται όταν το κριτήριο ελέγχου της ποιότητας του δικτύου φτάσει σε κάποια επιθυμητή τιμή. Κριτήρια Ελέγχου Ποιότητας μέσο σφάλμα του συνόλου εκπαίδευσης μεταβολή του μέσου σφάλματος του συνόλου εκπαίδευσης Βασικές Ιδιότητες των ΤΝΔ Ικανότητα να μαθαίνουν μέσω παραδειγμάτων (larn by xampl). Η μεγάλη τους ανοχή σε σφάλματα (fault-tolrant) (όπως στον ανθρώπινο εγκέφαλο) αν στα δεδομένα υπάρχει "θόρυβος" (κακό input) μέχρι κάποιο, το ΤΝΔ θα εξακολουθεί να παράγει καλό output Η εξαιρετική ικανότητά τους για αναγνώριση προτύπων (pattrn rcognition). π.χ. οπτική αναγνώριση χαρακτήρων ή χειρόγραφου Φώτης Κόκκορας -25- Τεχνητή Νοημοσύνη ΤΝΔ Πρόσθιας Τροφοδότησης (fdforward) Επίπεδα:,, κρυφά επίπεδα Η ροή πληροφορίας είναι μιας κατεύθυνσης Είδος μάθησης: μάθηση με επίβλεψη. Τοπολογία του δικτύου: Δεν υπάρχει σαφής κανόνας για τον προσδιορισμό κρυφών επιπέδων, νευρώνων ανά, συνδεσμολογίας. Τα δεδομένα - βοηθούν στην εκτίμηση του αριθμού νευρώνων στα επίπεδα και. π.χ. για αναγνώριση των ψηφίων -9 συνίστανται νευρώνες (ένας για κάθε ψηφίο π.χ. =, =, 2=, =, κ.ο.κ.), ή 4 νευρώνες (βλ. άνω σχήμα) εφόσον όμως οι αριθμοί κωδικοποιηθούν σε αναπαράσταση 4-bit (=, =, 2=, =, κ.ο.κ) π.χ. για αναγνώριση κατηγοριών χωρίς σειρά (όπως χρώματα) συνίστανται νευρώνες γιατί αν χειρόγραφο ψηφιοποίηση 6x4 pixls =κόκκινο και =μπλέ ένα ΤΝΔ με έναν νευρώνα στην έξοδο θα έδινε απάντηση για την άγνωστη περίπτωση Χ (βλ. σχήμα) ότι ανήκει στην κατηγορία 2 (μέσος όρος και ), δηλαδή κατηγορία "πράσινο", που στο παράδειγμα του διαγράμματος είναι λάθος καθώς η θέση του x υποδεικνύει ότι είναι ισοπίθανα κόκκινο ή μπλε. Φώτης Κόκκορας -26- Τεχνητή Νοημοσύνη Χ 6x4=24 στοιχεία στοιχεία κρυφά επίπεδα 5 4 bit κωδικοποίηση : κόκκινο 2: πράσινο : μπλε Τρόπος Χρήσης Ιστορικών Δεδομένων Σχηματική αναπαράσταση του τρόπου χρήσης των δεδομένων εκπαίδευσης. Ιστορικά Δεδομένα Ν εγγραφές για εκπαίδευση Μ πεδία ανά εγγραφή Παράδειγμα Παράδειγμα 2... Παράδειγμα Ν Χαρακτηριστικό Χαρακτηριστικό Χαρακτηριστικό Μ Εξαρτημένη Μεταβλητή Μ στοιχεία 5 8 κρυφά επίπεδα Κ στοιχεία Σχετίζονται με την τιμή της εξαρτημένης μεταβλητής Τα δεδομένα θα πρέπει να είναι (ή να μπορεί να γίνουν) αριθμητικά. Κατά τη χρήση του ΤΝΔ, η τιμή στους νευρώνες θα πρέπει να ερμηνευτεί κατάλληλα. Κρυφά Επίπεδα Ο αριθμός των νευρώνων στα κρυφά επίπεδα σχετίζεται με πολύπλοκο τρόπο με: τον αριθμό των νευρώνων στα επίπεδα και, τον αριθμό των διανυσμάτων εκπαίδευσης και την ύπαρξη ή όχι θορύβου σε αυτά, την πολυπλοκότητα της συνάρτησης ή της κατηγοριοποίησης που πρέπει να μάθει το ΤΝΔ τις συναρτήσεις ενεργοποίησης που χρησιμοποιούνται, τον αλγόριθμο εκπαίδευσης, κτλ. Εμπειρικός κανόνας για προβλήματα κατηγοριοποίησης: ο αριθμός νευρώνων στα κρυφά επίπεδα να είναι ικανοποιητικά μικρότερος από τον αριθμό διανυσμάτων εκπαίδευσης αιτία: για να αποφευχθεί απομνημόνευση πολλοί νευρώνες -> πολλά βάρη w -> πολλοί βαθμοί ελευθερίας του συστήματος -> ευκολία στο να απομνημονεύσει αντί να μάθει, δηλ. να συσχετίσει μέρος του δικτύου με δεδομένο διάνυσμα εκπαίδευσης! Συνήθως κάθε νευρώνας συνδέεται με όλους τους νευρώνες του επόμενου επιπέδου. Απαιτούνται αρκετές δοκιμές και πειραματισμοί για τον καθορισμό της τοπολογίας. Φώτης Κόκκορας -27- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -28- Τεχνητή Νοημοσύνη
8 Ανάστροφη Μετάδοση Λάθους Bac Propagation (/) Είναι ο πιο διαδεδομένος αλγόριθμος εκπαίδευσης σε ΤΝΔ πρόσθιας τροφοδότησης. Βασική Ιδέα: y εξαιτίας των τυχαίων αρχικών τιμών στα έξοδος βάρη θα παραχθεί έξοδος διαφορετική από τη γνωστή (σωστή) έξοδο που ορίζει =.. m το παράδειγμα εκπαίδευσης στο σφάλμα συνεισφέρουν όλοι οι νευρώνες ο αλγόριθμος επιτρέπει τον καταμερισμό βάρη w z =.. q του συνολικού σφάλματος στους επιμέρους νευρώνες, ακόμη και σε αυτούς που ανήκουν σε κρυφά επίπεδα βάρη vi Η αναπροσαρμογή των βαρών γίνεται i =.. n από το προς το (δηλαδή ανάστροφα). xi είσόδος ανάστροφο πέρασμα (bacward pass) ή ανάστροφη μετάδοση (bac propagation) κρυφό Ανάστροφη Μετάδοση Λάθους Bac Propagation (2/) Βασίζεται στο γενικευμένο κανόνα Δέλτα - ΓΚΔ (gnralizd Dlta rul) =.. m =.. q i =.. n βάρη w z βάρη vi xi y έξοδος είσόδος κρυφό input input n v x i i q w i z z f ( input ) f ( y f ( input ) f ( n v x ) i i q i i w z ) Αποδεικνύεται ότι (σχέσεις ΓΚΔ): για : w d z με t y ) f '( input ) t είναι η επιθυμητή έξοδος d είναι ο ρυθμός μάθησης για κρυφό : m ( f '( input ) w με wi d x i Φώτης Κόκκορας -29- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη Ανάστροφη Μετάδοση Λάθους Bac Propagation (/) Γενική μορφή αλγορίθμου (βλ. σχήμα). Παρατηρήσεις τα διανύσματα εκπαίδευσης δεν πρέπει να μεταβάλλονται: γιατί δεν σταθεροποιούνται τα βάρη (δεν επέρχεται σύγκληση) ο έλεγχος απόδοσης γίνεται με πρότυπα/δεδομένα αξιολόγησης (validation data) τροφοδοτούμε δηλαδή το ΤΝΔ με δεδομένα που δεν τα "γνωρίζει" (δηλ. δεν είναι από αυτά με τα οποία εκπαιδεύτηκε) και καταγράφουμε την έξοδο σε σχέση με τη αναμενόμενη τιμή συνήθως είναι τμήμα των δεδομένων - που δεν χρησιμοποιήθηκε στην φάση της εκπαίδευσης υπάρχουν άλλα πρότυπα εκπαίδευσης? Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη ΝΑΙ ΟΧΙ Αρχικοποίηση των Βαρών του Δικτύου Τροφοδότηση με Πρότυπο Εκπαίδευσης Υπολογισμός Σφάλματος στην Έξοδο Υπολογισμός Μεταβολής Βαρών ΟΧΙ Υπολογισμός Μέσου Τετραγώνου Σφάλματος είναι αποδεκτό το σφάλμα? ΝΑΙ ΤΕΛΟΣ Παράδειγμα Κύκλου Εκπαίδευσης με bacprop (/2) Έστω το MLP (2-2-) του σχήματος. Για είσοδο.,.9 και επιθυμητή έξοδο.9, να υπολογιστεί η διόρθωση των βαρών μετά από ένα κύκλο εκπαίδευσης με bac-propagation Θεωρήστε d=.25 και a= Όλες οι τιμές bias είναι.4 Επίπεδο : w d z με t y ) f '( input ) Κρυφό : f '( input ) m w με ( w d x ================================================================ Η είσοδος στους C και D είναι:.*. +.9*. +.4 =.7 Η έξοδος στους C και D είναι: /(+ -.7 ) =.668 i Φώτης Κόκκορας -2- Τεχνητή Νοημοσύνη i.4.4 C A..2 t=.9 E.4.2 D B Φ a κρυφό
9 Παράδειγμα Κύκλου Εκπαίδευσης με bacprop (2/2) Άρα το σήμα στον Ε είναι:.2* * =.667 Το υπολογιζόμενο σήμα στον Ε είναι y=/( )=.66 Το επιθυμητό σήμα στον Ε είναι t=.9 Η παράγωγος της Φ() αποδεικνύεται ότι ισούται με: f ' = Φ()*(-Φ()) Άρα η διόρθωση στα βάρη του επιπέδου είναι: Δw =.25 * (.9-.66) * Φ(.667) * (-Φ(.667)) *.668 =.25*.29*.224*.668 =.9 Οπότε οι νέες τιμές στα βάρη του επιπέδου θα είναι: =.9 (όμοια τα υπόλοιπα).4.4 C A..2 t=.9 E.4.2 D B Φ a κρυφό Προβλήματα στην Εκπαίδευση ΤΝΔ με bacprop (/2) τοπικά ελάχιστα η εκπαίδευση οδηγεί σε σετ τιμών για τα βάρη που εγκλωβίζουν το τρέχων σφάλμα σε τοπικό ελάχιστο της επιφάνειας σφάλματος ntwor paralysis οι τιμές στη συνάρτηση ενεργοποίησης είναι μεγάλες (π.χ. επειδή ένα ή περισσότερα βάρη έχουν μεγάλες τιμές) και αυτή "λειτουργεί" στο πλατό της, όπου η η παράγωγος έχει πολύ μικρή τιμή, με αποτέλεσμα τα βάρη να μην τροποποιούνται σημαντικά σε κάθε κύκλο επιλογή ρυθμού μάθησης (larning rat - LR) πολύ μικρή τιμή LR (σχ. αριστερά) κάνει το δίκτυο να μαθαίνει πολύ αργά LR=., 28 εποχές LR=.5, 46 εποχές LR=.2, εποχές Φώτης Κόκκορας -- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -4- Τεχνητή Νοημοσύνη Προβλήματα στην Εκπαίδευση ΤΝΔ με bacprop (2/2) Μια νέα έννοια πρώτα: ορμή (momntum): σταθερά μ που κρατά την κατεύθυνση της επικλινούς καθόδου περισσότερο σταθερή. Προσθήκη ενός επιπλέον όρου στον υπολογισμό της μεταβολής των βαρών που είναι ανάλογος της μεταβολής στον προηγούμενο κύκλο εκπαίδευσης. Δw N+ = Δw + μ*δw N Η ορμή σε κάποιες περιπτώσεις επιταχύνει την εκπαίδευση, σε άλλες όχι. επιλογή ρυθμού μάθησης (larning rat - LR) (συνέχεια από προηγούμενη) Πολύ μεγάλη τιμή LR (ειδικά σε συνδυασμό με μεγάλη τιμή ορμής (momntum) (βλ. σχήμα δεξιά) εμποδίζει τα βάρη (και το μέσο τετραγωνικό σφάλμα) να συγκλίνουν γρήγορα. Πόσα κρυφά επίπεδα/νευρώνες χρειάζονται; (/) Σε MLPs με κλασικές συναρτήσεις ενεργοποίησης στους κρυφούς νευρώνες, ένα κρυφό με ικανά μεγάλο αριθμό νευρώνων, μπορεί να λειτουργήσει ικανοποιητικά ως μηχανισμός "γενικής προσέγγισης" (univrsal approximation). Δεν υπάρχει θεωρία που να προβλέπει το ακριβές πλήθος των "κρυφών" νευρώνων. Παράδειγμα επίδρασης στην ικανότητα προσέγγισης με αύξηση κρυφών νευρώνων: Έστω ότι στόχος είναι η εκμάθηση της σχέσης του σχήματος αριστερά (Γκαουσιανός Λόφος - Gaussian Hill). Ένα MLP (2-6-) με κατάλληλες συναρτήσεις ενεργοποίησης (ταυτοτική/idntity στην έξοδο και σιγμοειδείς στο κρυφό ) μπορεί εύκολα να την προσεγγίσει αλλά με πολλές ακμές και κοιλάδες στην περιοχή που πρέπει να είναι επίπεδη (βλ. μεσαία εικόνα). Απαιτούνται μερικές δεκάδες νευρώνες στο κρυφό για να εξομαλυνθεί το πλατό με σχετική ακρίβεια (βλ. εικόνα δεξιά από MLP (2--)). Φώτης Κόκκορας -5- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -6- Τεχνητή Νοημοσύνη
10 Πόσα κρυφά επίπεδα/νευρώνες χρειάζονται; (2/) Έστω ότι στην έξοδο υπάρχει λογιστική συνάρτηση ενεργοποίησης. Στις αρνητικές τιμές η λογιστική συνάρτηση μηδενίζει την έξοδο. Αν στην προσέγγιση με MLP της Γκαουσιανής συνάρτησης-στόχου υπήρχαν έντονες αρνητικές εξάρσεις (σχ. αριστερά από 2--), η λογιστική συνάρτηση θα τις μηδένιζε (σχ. δεξιά από 2--). Πόσα κρυφά επίπεδα/νευρώνες χρειάζονται; (/) Η αξία των κρυφών επιπέδων φαίνεται χαρακτηριστικά στα επόμενα γραφήματα προσέγγισης της Γκαουσιανής συνάρτησης-στόχου: Σχ., 2, : χρήση MLP με κρυφό και βαθμιαία αύξηση των κρυφών νευρώνων Σχ. 4: χρήση MLP με 2 κρυφά επίπεδα Σχ.: 2-- Σχ.2: 2-9- Σχ.: 2-5- Σχ.4: Όμως, η λογιστική συνάρτηση "κατεβάζει" και τις θετικές τιμές προς το... Γενικά, σε προβλήματα ταξινόμησης χωρίς θόρυβο στην είσοδο (nois-fr classificaton problms) ένα κρυφό λειτουργεί ικανοποιητικά. Προσθέτουμε σταδιακά κρυφούς νευρώνες μέχρι να εντοπίσουμε υπερμοντελοποίηση. Φώτης Κόκκορας -7- Τεχνητή Νοημοσύνη η ευελιξία που παρέχει το 2 ο κρυφό είναι εντυπωσιακή πρακτικά, 2 νευρώνες στο 2 ο κρυφό (Σχ. 4) εξασφαλίζουν ίδια περίπου ακρίβεια με 46 επιπλέον νευρώνες στο ο κρυφό (Σχ.) Φώτης Κόκκορας -8- Τεχνητή Νοημοσύνη Εφαρμογές Νευρωνικών Δικτύων (/2) Τα ΤΝΔ είναι δημοφιλή σε προβλήματα που περιέχουν μη-προβλέψιμες λειτουργίες ή/και τα οποία δεν είναι πλήρως κατανοητά ώστε να δοκιμαστούν μαθηματικά μοντέλα. Κατηγοριοποίηση: Ιατρικός τομέας: κατηγοριοποίηση ιατρικών εικόνων που προέρχονται από εξετάσεις υπέρηχων, ηλεκτροκαρδιογραφήματα, τεστ Παπανικολάου, κτλ. Τα ΤΝΔ καλούνται να κάνουν μια πρώτη διάγνωση, επιταχύνοντας σημαντικά τη χρονοβόρα διαδικασία ελέγχου των δεδομένων ιατρικών εξετάσεων από τους ιατρούς. Οι περιπτώσεις που κρίνονται ως ύποπτες, εξετάζονται στη συνέχεια από ιατρούς. Τομέας άμυνας: κατηγοριοποίηση εικόνων προερχόμενων από radar, sonar, κτλ. Γεωργία: έλεγχος καλλιεργειών σε συνδυασμό με δορυφορικές εικόνες Οικονομία/επιχειρήσεις: κατηγοριοποίηση πελατών βάσει αγοραστικών τους συνήθειων Αναγνώριση: Τραπεζικός τομέας: γνησιότητα υπογραφής και χαρτονομισμάτων. Πληροφορική και Τηλεπικοινωνίες: αναγνώριση ήχου, εικόνας και γραπτού κειμένου (χειρόγραφου ή τυπωμένου) οι εφαρμογές οπτικής αναγνώρισης χαρακτήρων (optical charactr rcognition OCR) είναι από τις πιο διάσημες εφαρμογές ΤΝΔ. Φώτης Κόκκορας -9- Τεχνητή Νοημοσύνη Εφαρμογές Νευρωνικών Δικτύων (2/2) Αποτίμηση: Τομέας άμυνας: παρακολούθηση στόχων. Ασφάλεια: εντοπισμός κίνησης (motion dtction), ταύτιση δακτυλικών αποτυπωμάτων, ανάλυση εικόνας σε συστήματα επιτήρησης. Μηχανολογία: παρακολούθηση, επιθεώρηση και έλεγχος προϊόντων. Πρόβλεψη: Οικονομία/επιχειρήσεις: πρόβλεψη ισοτιμίας νομισμάτων και τιμών μετοχών (συνήθως βραχυπρόθεσμη), πρόβλεψη πωλήσεων, κτλ. Γεωργία: πρόβλεψη παραγωγής, κυρίως με χρήση δορυφορικών εικόνων (π.χ. σιτηρά που πρόκειται να παράγουν πολύ έχουν διαφορετική απεικόνιση από αυτά που δεν θα αποδώσουν η φωτογράφιση γίνεται συνήθως στο υπέρυθρο φάσμα) Μετεωρολογία: μοντέλα πρόβλεψης καιρού ============================================================= Αν και ένα εκπαιδευμένο ΤΝΔ μπορεί να αναγνωρίσει δεδομένα τα οποία δεν έχει δει ποτέ του, αυτό δεν συμβαίνει στην περίπτωση που τα δεδομένα δεν ανήκουν στο ίδιο φαινόμενο/πρόβλημα με δεδομένα του οποίου έχει εκπαιδευτεί. Δεν υπάρχουν ΤΝΔ γενικού σκοπού τα οποία να μπορούν να αντιμετωπίζουν διάφορα ετερογενή προβλήματα. Φώτης Κόκκορας -4- Τεχνητή Νοημοσύνη
11 Αντί επιλόγου... Στο Matlab υπάρχει toolbox για μοντελοποίηση και εκπαίδευση ΤΝΔ (βλ. εικόνα). Υπάρχουν πολλά είδη νευρωνικών δικτύων (π.χ. Kohonn) με κάθε είδος να έχει ιδιαίτερες ικανότητες και χαρακτηριστικά (π.χ. λειτουργία χωρίς εκπαίδευση). Στα προηγούμενα αναφερθήκαμε στην πιο κλασική περίπτωση, τα multi-layrprcptrons (mlp). Στην εικόνα βλέπετε ένα mlp Απλούστερη Εφαρμογή για Εκπαιδευτικούς Σκοπούς Φώτης Κόκκορας -4- Τεχνητή Νοημοσύνη Φώτης Κόκκορας -42- Τεχνητή Νοημοσύνη
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 περισσότεραΤΜΗΜΑ 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 περισσότεραΒασικές 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 περισσότεραΤο 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 περισσότεραΑσκήσεις 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 περισσότεραΜοντέλο 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 περισσότεραΑσκήσεις 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 περισσότεραΥπολογιστική 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 περισσότεραΤεχνητά 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 περισσότεραΑριθμητική 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 περισσότεραΤο 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 περισσότεραΤεχνητή 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 περισσότεραΤεχνητή Νοημοσύνη. TMHMA ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ. Εξάμηνο 5ο Οικονόμου Παναγιώτης & Ελπινίκη Παπαγεωργίου. Νευρωνικά Δίκτυα.
Τεχνητή Νοημοσύνη. TMHMA ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ Εξάμηνο 5ο Οικονόμου Παναγιώτης & Ελπινίκη Παπαγεωργίου. Νευρωνικά Δίκτυα. 1 ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Χαρακτηριστικά Είδη εκπαίδευσης Δίκτυα
Διαβάστε περισσότεραΠληροφοριακά Συστήματα & Περιβάλλον
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πληροφοριακά Συστήματα & Περιβάλλον Ενότητα 8: Τεχνητά Νευρωνικά Δίκτυα Παναγιώτης Λεφάκης Δασολογίας & Φυσικού Περιβάλλοντος Άδειες Χρήσης
Διαβάστε περισσότεραΑσκήσεις 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 περισσότεραΥπολογιστική 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 περισσότεραΕισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα Τεχνητή Νοημοσύνη (Artificial Intelligence) Ανάπτυξη μεθόδων και τεχνολογιών για την επίλυση προβλημάτων στα οποία ο άνθρωπος υπερέχει (?) του υπολογιστή Συλλογισμοί
Διαβάστε περισσότεραΠληροφορική 2. Τεχνητή νοημοσύνη
Πληροφορική 2 Τεχνητή νοημοσύνη 1 2 Τι είναι τεχνητή νοημοσύνη; Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων τα οποία μπορούν να προσομοιώνουν μέχρι κάποιο
Διαβάστε περισσότεραΑναγνώριση 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 περισσότεραΕΥΦΥΗΣ 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 περισσότεραΥπολογιστική 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 περισσότεραΚεφάλαιο 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 περισσότεραΜάθηση 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 περισσότεραΕΛΛΗΝΙΚΟ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΤεχνητή Νοημοσύνη. 17η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 17η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Artificia Inteigence A Modern Approach των S. Russe και
Διαβάστε περισσότεραΥπολογιστική Νοημοσύνη. Μάθημα 13: Αναδρομικά Δίκτυα - Recurrent Networks
Υπολογιστική Νοημοσύνη Μάθημα 13: Αναδρομικά Δίκτυα - Recurrent Networks Γενικά Ένα νευρωνικό δίκτυο λέγεται αναδρομικό, εάν υπάρχει έστω και μια σύνδεση από έναν νευρώνα επιπέδου i προς έναν νευρώνα επιπέδου
Διαβάστε περισσότεραΕισαγωγή στους Νευρώνες. Κυριακίδης Ιωάννης 2013
Εισαγωγή στους Νευρώνες Κυριακίδης Ιωάννης 2013 Τι είναι τα Τεχνητά Νευρωνικά Δίκτυα; Είναι μια προσπάθεια μαθηματικής προσομοίωσης της λειτουργίας του ανθρώπινου εγκεφάλου. Είναι ένα υπολογιστικό μοντέλο
Διαβάστε περισσότεραΜέθοδοι 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 περισσότεραΟι 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 περισσότεραΥπολογιστική 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 περισσότερα4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER
4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER Σκοπός του κεφαλαίου είναι να παρουσιάσει μερικές εφαρμογές του Μετασχηματισμού Fourier (ΜF). Ειδικότερα στο κεφάλαιο αυτό θα περιγραφούν έμμεσοι τρόποι
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότερα4.3 Δραστηριότητα: Θεώρημα Fermat
4.3 Δραστηριότητα: Θεώρημα Fermat Θέμα της δραστηριότητας Η δραστηριότητα αυτή εισάγει το Θεώρημα Fermat και στη συνέχεια την απόδειξή του. Ακολούθως εξετάζεται η χρήση του στον εντοπισμό πιθανών τοπικών
Διαβάστε περισσότεραΑσκήσεις 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 περισσότερα4.3. 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 περισσότεραΕκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν.
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης Ελαχιστοποίηση συνάρτησης σφάλματος Εκπαίδευση ΤΝΔ: μπορεί να διατυπωθεί ως πρόβλημα ελαχιστοποίησης μιας συνάρτησης σφάλματος E(w)
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραf(x) = και στην συνέχεια
ΕΡΩΤΗΣΕΙΣ ΜΑΘΗΤΩΝ Ερώτηση. Στις συναρτήσεις μπορούμε να μετασχηματίσουμε πρώτα τον τύπο τους και μετά να βρίσκουμε το πεδίο ορισμού τους; Όχι. Το πεδίο ορισμού της συνάρτησης το βρίσκουμε πριν μετασχηματίσουμε
Διαβάστε περισσότεραΑ.Τ.Ε.Ι ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΠΟΛΥΜΕΣΩΝ ΕΡΓΑΣΤΗΡΙΟ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ. Σχήμα 1 Η λειτουργία του νευρώνα
Α.Τ.Ε.Ι ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΠΟΛΥΜΕΣΩΝ ΕΡΓΑΣΤΗΡΙΟ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ 1 Ο Νευρώνας Τα τεχνικά νευρωνικά δίκτυα αποτελούν μια προσπάθεια μαθηματικής προσομοίωσης της λειτουργίας του ανθρώπινου
Διαβάστε περισσότεραΚεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.
Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε
Διαβάστε περισσότεραΔρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 4 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες
Διαβάστε περισσότεραΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ
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
Διαβάστε περισσότεραΜέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου
Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος 5 Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση... Error! Bookmark not defned. Σκοποί Μαθήματος (Επικεφαλίδα
Διαβάστε περισσότεραΔΙΚΤΥO 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 περισσότεραΚεφ. 7: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών
Κεφ. 7: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών 7. Εισαγωγή (ορισμός προβλήματος, αριθμητική ολοκλήρωση ΣΔΕ, αντικατάσταση ΣΔΕ τάξης n με n εξισώσεις ης τάξης) 7. Μέθοδος Euler 7.3
Διαβάστε περισσότεραΚεφάλαιο 4: Επιλογή σημείου παραγωγής
Κ4.1 Μέθοδος ανάλυσης νεκρού σημείου για την επιλογή διαδικασίας παραγωγής ή σημείου παραγωγής Επιλογή διαδικασίας παραγωγής Η μέθοδος ανάλυσης νεκρού για την επιλογή διαδικασίας παραγωγής αναγνωρίζει
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
Διαβάστε περισσότεραΔρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 5 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες
Διαβάστε περισσότεραΚεφ. 6Β: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών
Κεφ. 6Β: Συνήθεις διαφορικές εξισώσεις (ΣΔΕ) - προβλήματα αρχικών τιμών. Εισαγωγή (ορισμός προβλήματος, αριθμητική ολοκλήρωση ΣΔΕ, αντικατάσταση ΣΔΕ τάξης n με n εξισώσεις ης τάξης). Μέθοδος Euler 3. Μέθοδοι
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΕ π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ
Ε π ι μ έ λ ε ι α Κ Ο Λ Λ Α Σ Α Ν Τ Ω Ν Η Σ ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ Η ΕΝΝΟΙΑ ΤΗΣ ΠΑΡΑΓΩΓΟΥ Κεφάλαιο 5 Καταρχήν, όταν ορίζουμε την παράγωγο μιας συνάρτησης δεν την ορίζουμε έτσι γενικά, αλλά σε κάποιο συγκεκριμένο
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος 015 Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση... Error! Bookmark not defined. Σκοποί Μαθήματος (Επικεφαλίδα
Διαβάστε περισσότεραΕιδικά Θέματα Ηλεκτρονικών 1
Ειδικά Θέματα Ηλεκτρονικών 1 ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3...2 ΑΠΟΚΡΙΣΗ ΣΥΧΝΟΤΗΤΑΣ ΕΝΙΣΧΥΤΩΝ...2 3.1 Απόκριση συχνότητας ενισχυτών...2 3.1.1 Παραμόρφωση στους ενισχυτές...5 3.1.2 Πιστότητα των ενισχυτών...6 3.1.3
Διαβάστε περισσότεραΣήματα και Συστήματα. Διάλεξη 9: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Fourier. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 9: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Fourier Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Fourier 1. Μετασχηματισμός Fourier
Διαβάστε περισσότεραΕνδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση
Ενδεικτική πολυ-εργασία 1 - εφαρμογή στην υπολογιστική όραση Εντοπισμός ενός σήματος STOP σε μια εικόνα. Περιγράψτε τη διαδικασία με την οποία μπορώ να εντοπίσω απλά σε μια εικόνα την ύπαρξη του παρακάτω
Διαβάστε περισσότεραE [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
Διαβάστε περισσότεραΜάθηση σε νέα τεχνολογικά περιβάλλοντα
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Μάθηση σε νέα τεχνολογικά περιβάλλοντα Ενότητα 10: Θεωρία Συνδεσιασμού Βασιλική Μητροπούλου-Μούρκα Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Εισαγωγή Προσομοιώνει βιολογικές διεργασίες (π.χ. λειτουργία του εγκεφάλου,
Διαβάστε περισσότεραΜ Α Θ Η Μ Α Τ Α Γ Λ Υ Κ Ε Ι Ο Υ
Μ Α Θ Η Μ Α Τ Α Γ Λ Υ Κ Ε Ι Ο Υ ΜΑΘΗΜΑΤΙΚΑ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ ΘΕΤΙΚΩΝ ΣΠΟΥΔΩΝ ΚΑΙ ΣΠΟΥΔΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ (Α ΜΕΡΟΣ: ΣΥΝΑΡΤΗΣΕΙΣ) Επιμέλεια: Καραγιάννης Ιωάννης, Σχολικός Σύμβουλος Μαθηματικών
Διαβάστε περισσότεραΚεφάλαιο 4: Επιλογή σημείου παραγωγής
Κεφάλαιο 4: Επιλογή σημείου παραγωγής Κ4.1 Μέθοδος ανάλυσης νεκρού σημείου για την επιλογή διαδικασίας παραγωγής ή σημείου παραγωγής Επιλογή διαδικασίας παραγωγής Η μέθοδος ανάλυσης νεκρού για την επιλογή
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Κ. Δεμέστιχας Εργαστήριο Πληροφορικής Γεωπονικό Πανεπιστήμιο Αθηνών Επικοινωνία μέσω e-mail: cdemest@aua.gr, cdemest@cn.ntua.gr Διαφάνειες: Καθ. Νικόλαος Λορέντζος 1 12. ΤΕΧΝΗΤΗ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012
ΔΕ. ΙΟΥΝΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η ( μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάσει το συντελεστή συσχέτισης. (γράψτε ποιο χαρακτηριστικό
Διαβάστε περισσότεραΜη 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 περισσότεραΠροβλήματα, αλγόριθμοι, ψευδοκώδικας
Προβλήματα, αλγόριθμοι, ψευδοκώδικας October 11, 2011 Στο μάθημα Αλγοριθμική και Δομές Δεδομένων θα ασχοληθούμε με ένα μέρος της διαδικασίας επίλυσης υπολογιστικών προβλημάτων. Συγκεκριμένα θα δούμε τι
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 18η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Machine Learning του T. Mitchell, McGraw- Hill, 1997,
Διαβάστε περισσότεραΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΑ.Τ.ΕΙ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΟΛΥΜΕΣΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ
Α.Τ.ΕΙ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΟΛΥΜΕΣΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΕΚΜΑΘΗΣΗ ΤΑ ΔΙΚΤΥΑ KOHONEN A. ΕΙΣΑΓΩΓΗ Στα προβλήματα που έχουμε αντιμετωπίσει μέχρι τώρα
Διαβάστε περισσότεραΚεφάλαιο 5. Το Συμπτωτικό Πολυώνυμο
Κεφάλαιο 5. Το Συμπτωτικό Πολυώνυμο Σύνοψη Στο κεφάλαιο αυτό παρουσιάζεται η ιδέα του συμπτωτικού πολυωνύμου, του πολυωνύμου, δηλαδή, που είναι του μικρότερου δυνατού βαθμού και που, για συγκεκριμένες,
Διαβάστε περισσότεραΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX
ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX Θεμελιώδης αλγόριθμος επίλυσης προβλημάτων Γραμμικού Προγραμματισμού που κάνει χρήση της θεωρίας της Γραμμικής Άλγεβρας Προτάθηκε από το Dantzig (1947) και πλέον
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΟΣ ΛΟΓΙΣΜΟΣ ΙΙ
ΜΑΘΗΜΑΤΙΚΟΣ ΛΟΓΙΣΜΟΣ ΙΙ Ακρότατα Δρ. Ιωάννης Ε. Λιβιέρης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. TEI Δυτικής Ελλάδας 2 Ακρότατα συνάρτησης Έστω συνάρτηση f A R 2 R και ένα σημείο P(x, y ) A. Η τιμή f(x, y )
Διαβάστε περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012
ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο
Διαβάστε περισσότεραΠροσαρµοστικοί 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 περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος 015 Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση... Error! ookmark not defined. Σκοποί Μαθήματος (Επικεφαλίδα
Διαβάστε περισσότεραΤμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βασικές Έννοιες Προγραμματισμού. Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ Βασικές Έννοιες Προγραμματισμού Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Αριθμητικά συστήματα Υπάρχουν 10 τύποι ανθρώπων: Αυτοί
Διαβάστε περισσότερα6. Στατιστικές μέθοδοι εκπαίδευσης
6. Στατιστικές μέθοδοι εκπαίδευσης Μία διαφορετική μέθοδος εκπαίδευσης των νευρωνικών δικτύων χρησιμοποιεί ιδέες από την Στατιστική Φυσική για να φέρει τελικά το ίδιο αποτέλεσμα όπως οι άλλες μέθοδοι,
Διαβάστε περισσότεραΜαθηματική Εισαγωγή Συναρτήσεις
Φυσικός Ραδιοηλεκτρολόγος (MSc) ο Γενικό Λύκειο Καστοριάς A. Μαθηματική Εισαγωγή Πράξεις με αριθμούς σε εκθετική μορφή Επίλυση βασικών μορφών εξισώσεων Συναρτήσεις Στοιχεία τριγωνομετρίας Διανύσματα Καστοριά,
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι
ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι κ. ΠΕΤΑΛΙΔΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται
Διαβάστε περισσότεραz = c 1 x 1 + c 2 x c n x n
Τεχνολογικό Εκπαιδευτικό Ιδρυμα Κεντρικής Μακεδονίας - Σέρρες Τμήμα Μηχανικών Πληροφορικής Γραμμικός Προγραμματισμός & Βελτιστοποίηση Δρ. Δημήτρης Βαρσάμης Καθηγητής Εφαρμογών Δρ. Δημήτρης Βαρσάμης Μάρτιος
Διαβάστε περισσότεραE[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΜία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής
Μία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής Βασισμένο σε μια εργασία των Καζαρλή, Καλόμοιρου, Μαστοροκώστα, Μπαλουκτσή, Καλαϊτζή, Βαλαή, Πετρίδη Εισαγωγή Η Εξελικτική Υπολογιστική
Διαβάστε περισσότεραΣυμπεριφορά συναρτήσεως σε κλειστές φραγμένες περιοχές. (x 0, y 0, f(x 0, y 0 ) z = L(x, y)
11.7. Aκρότατα και σαγματικά σημεία 903 39. Εκτίμηση μέγιστου σφάλματος Έστω ότι u e sin και ότι τα,, και μπορούν να μετρηθούν με μέγιστα δυνατά σφάλματα 0,, 0,6, και / 180, αντίστοιχα. Εκτιμήστε το μέγιστο
Διαβάστε περισσότεραΜέθοδοι μονοδιάστατης ελαχιστοποίησης
Βασικές αρχές μεθόδων ελαχιστοποίησης Μέθοδοι μονοδιάστατης ελαχιστοποίησης Οι μέθοδοι ελαχιστοποίησης είναι επαναληπτικές. Ξεκινώντας από μια αρχική προσέγγιση του ελαχίστου (την συμβολίζουμε ) παράγουν
Διαβάστε περισσότεραΑριθμητικές Μέθοδοι σε Προγραμματιστικό Περιβάλλον
Τμήμα Μηχανικών Πληροφορικής Αριθμητικές Μέθοδοι σε Προγραμματιστικό Περιβάλλον Δρ. Δημήτρης Βαρσάμης Επίκουρος Καθηγητής Οκτώβριος 2015 Δρ. Δημήτρης Βαρσάμης Οκτώβριος 2015 1 / 68 Αριθμητικές Μέθοδοι
Διαβάστε περισσότερα3. 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 περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 2: Δομικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΑριθμητική Ανάλυση & Εφαρμογές
Αριθμητική Ανάλυση & Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 2017-2018 Υπολογισμοί και Σφάλματα Παράσταση Πραγματικών Αριθμών Συστήματα Αριθμών Παράσταση Ακέραιου
Διαβάστε περισσότεραΓενικά Στοιχεία Ηλεκτρονικού Υπολογιστή
Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή 1. Ηλεκτρονικός Υπολογιστής Ο Ηλεκτρονικός Υπολογιστής είναι μια συσκευή, μεγάλη ή μικρή, που επεξεργάζεται δεδομένα και εκτελεί την εργασία του σύμφωνα με τα παρακάτω
Διαβάστε περισσότερα3. Προσομοίωση ενός Συστήματος Αναμονής.
3. Προσομοίωση ενός Συστήματος Αναμονής. 3.1. Διατύπωση του Προβλήματος. Τα συστήματα αναμονής (queueing systems), βρίσκονται πίσω από τα περισσότερα μοντέλα μελέτης της απόδοσης υπολογιστικών συστημάτων,
Διαβάστε περισσότεραΣέργιος 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 περισσότεραΑνδρέας Παπαζώης. Τμ. Διοίκησης Επιχειρήσεων
Ανδρέας Παπαζώης Τμ. Διοίκησης Επιχειρήσεων Περιεχόμενα Εργ. Μαθήματος Βιολογικά Νευρωνικά Δίκτυα Η έννοια των Τεχνητών Νευρωνικών Δικτύων Η δομή ενός νευρώνα Διαδικασία εκπαίδευσης Παραδείγματα απλών
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΜέθοδοι μονοδιάστατης ελαχιστοποίησης
Βασικές αρχές μεθόδων ελαχιστοποίησης Μέθοδοι μονοδιάστατης ελαχιστοποίησης Οι μέθοδοι ελαχιστοποίησης είναι επαναληπτικές. Ξεκινώντας από μια αρχική προσέγγιση του ελαχίστου (την συμβολίζουμε ) παράγουν
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι
ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι κ. ΠΕΤΑΛΙΔΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται
Διαβάστε περισσότεραΜαθηματική Εισαγωγή Συναρτήσεις
Φυσικός Ραδιοηλεκτρολόγος (MSc) ο Γενικό Λύκειο Καστοριάς Καστοριά, Ιούλιος 14 A. Μαθηματική Εισαγωγή Πράξεις με αριθμούς σε εκθετική μορφή Επίλυση βασικών μορφών εξισώσεων Συναρτήσεις Στοιχεία τριγωνομετρίας
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών
44 Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών Διδακτικοί στόχοι Σκοπός του κεφαλαίου είναι οι μαθητές να κατανοήσουν τα βήματα που ακολουθούνται κατά την ανάπτυξη μιας εφαρμογής.
Διαβάστε περισσότεραΚινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
Διαβάστε περισσότερα2.1 Αριθμητική επίλυση εξισώσεων
. Αριθμητική επίλυση εξισώσεων Στο κεφάλαιο αυτό διαπραγματεύεται μεθόδους εύρεσης των ριζών εξισώσεων γραμμικών ή μη-γραμμικών για τις οποίες δεν υπάρχουν αναλυτικές 5 4 3 εκφράσεις. Παραδείγματα εξισώσεων
Διαβάστε περισσότερα