Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013

Rozměr: px

Začít zobrazení ze stránky:

Download "Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013"

Miroslav Filip Švec
před 7 lety
Počet zobrazení:

1 Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013

2 Umělé neuronové sítě

3 Proč právě Neuronové sítě?

4 K čemu je to dobré?

5 Používá se to někde v praxi?

6 Úvod Umělé neuronové sítě patří do kategorie umělé inteligence. Hlavní objektem výzkumu této části je mozek. (Jeho struktura, funkce, možnosti a jeho napodobeniny)

7 Učit se Funkce lidského mozku Vytváření neexistujících vzorů Memory Switch Klasifikace Apod. Protože doposud funkce lidského mozku nebyli zcela objasněny, budeme zde hovořit spíše o efektech, které můžeme pozorovat.

8 Učit se Funkce lidského mozku Je základní schopnost lidského mozku (Tato schopnost je možná, protože jednotlivé neurony mohou mezi sebou navazovat a rušit spojení Těmto spojům se říká synapse.)

9 Funkce lidského mozku Vytváření neexistujících vzorů příkladem je obrázek na, kterém je vidět bílý čtverec i když tam ve skutečnosti není.

10 Funkce lidského mozku Memory Switch tato funkce, neboli efekt se projevuje jak u lidských mozků tak i u technických neuronových sítí. Tj. pokud se neuronová síť naučí nějakému vzoru, pak jej vždy rozpozná. Tento jev je v podstatě slabinou. Protože při poznávání světa se člověk setkává s jevy a ty zařazuje do tříd. Pokud však člověk najde jev, který je podobný již poznanému, tak tento nový jev automaticky zařadí do stejné třídy i když se může jednat o zcela jiný jev. (Tímto je možné přehlédnout např. nový objev.)

11 Funkce lidského mozku Klasifikace je v podstatě ohodnocení daného problému a jeho zařazení do příslušné třídy. Je to činnost, kterou člověk používá každý den. Např.: o o Operátor přijímající zprávu v Morseově abecedě, musí správně klasifikovat jednotlivé znaky Zákazník, který vybírá mezi výrobky se musí rozhodnout, který je pro něj lepší a který horší

12 Mozek Mozek je považován za centrum inteligence V dnešní době je známo více informací o mozku na úrovni fyziologické než na úrovni psychologické. Např. ví se jak fungují mozkové buňky, ale téměř nic není známo o vlastní inteligenci člověka. (Zatím ani neexistuje definice, co to vlastně inteligence je )

Mozek Základním stavebním prvkem Mozku je buňka nazývána Neuron (asi 25 miliard v mozku) V mozku jsou i jiné druhy buněk, které s neurony spolupracují nebo mají

13 Mozek Základním stavebním prvkem Mozku je buňka nazývána Neuron (asi 25 miliard v mozku) V mozku jsou i jiné druhy buněk, které s neurony spolupracují nebo mají jiné funkce. Neurony se dělí do mnoha druhů, avšak všechny druhy neuronů jsou navenek stejné. Každý neuron se skládá ze: Vstupu (dendrid) Jádra (soma) Výstupu (axon)

14 Neuron - matematický model Při matematickém popisu se vychází z biologického neuronu

15 Neuron - matematický model Rozdělení neuronu na jednotlivé prvky systému Na tomto obrázku je zobrazen příklad neuronu se čtyřmi vstupy. Avšak každý neuron může obsahovat libovolný počet vstupů, což závisí na úloze

16 Neuron - matematický model Rozdělení neuronu na jednotlivé prvky systému Druh Matematická operace Příklad Synaptické operace Somatické operace Skalární součin vektorů x a w z i (t) = x i (t) * w i (t) Prahování v(t) = u(t) w 0 Nelineární zobrazení ut () n i 1 z i () t y(t) = Z[v(t)]

17 Neuron - matematický model Druhy neuronů Nespojitý Perceptron Druh Synaptické operace Somatické operace Matematická operace Skalární součin vektorů x a w Agregace Příklad z i (t) = x i (t) * w i (t) Prahování ut v(t) () = u(t) z i () wt 0 n i 1 Neuron první generace

18 Neuron - matematický model Nespojitý Perceptron nelineární zobrazení

19 Neuron - matematický model Druhy neuronů Spojitý Perceptron Druh Synaptické operace Matematická operace Skalární součin vektorů x a w Agregace Příklad z i (t) = x i (t) * w i (t) ut () n i 1 z i () t Somatické operace Prahování v(t) = u(t) w 0 Nelineární zobrazení (Sigmoida) yt ( ) *() v t 1 e m Neuron druhé generace

20 Neuron - matematický model Spojitý Perceptron nelineární zobrazení

21 Neuron - matematický model Základní vlastnost každého neuronu klasifikace, resp. separabilita Příklad -> Třída B lineární separabilita Tj. rozdělení vstupních hodnot do dvou tříd jednou přímkou Třída A

22 Umělé neuronové sítě - vrstvené Základní představa matematický model

23 Umělé neuronové sítě - vrstvené Základní vlastnosti - učení Učení je základní vlastnost neuronových sítí. Při procesu učení jsou nastavovány určité parametry (váhy, strmosti přenosových funkcí, apod.) neuronové sítě, tak aby odchylka mezi požadovaným a skutečným výstupem byla minimální. Neuronové sítě se mohou také učit změnou jednotlivých skrytých vrstev, tj. různým počtem neuronů v těchto vrstvách. Vstup A Vstup B Parametry neuronu pro nastavení Neuron Výstup

24 Umělé neuronové sítě - vrstvené Základní vlastnosti - učení Při procesu učení jsou nastavovány určité parametry (váhy, prahy, strmosti přenosových funkcí, apod.) neuronové sítě, tak aby odchylka mezi požadovaným a skutečným výstupem byla minimální. Neuronové sítě se mohou také učit změnou jednotlivých skrytých vrstev, tj. různým počtem neuronů v těchto vrstvách. Druh Synaptické operace Somatické operace Matematická operace Skalární součin vektorů x a w Agregace Prahování Nelineární zobrazení (Sigmoida) Příklad z i (t) = x i (t) * w i (t) y ut () n i 1 z i () t v(t) = u(t) h m 1 e ( t) *() vt

25 Umělé neuronové sítě - vrstvené Základní vlastnosti nelineární zobrazení

26 Umělé neuronové sítě - vrstvené Základní vlastnosti znalosti / robustnost

27 Umělé neuronové sítě - vrstvené Základní vlastnosti generalizace (zobecňování)

28 Umělé neuronové sítě - vrstvené Režimy práce Adaptační (učební) režim Vybavovací (odvozovací) režim

29 Příklady použití vrstvených neuronových sítí Modelování a simulace Expertní systémy Řízení složitých systémů a další

30 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Schématická značka: Pravdivostní tabulka funkce AND: Vstup A Vstup B Výstup A B & Výstup

31 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Schéma použitého neuronu: Tréninková množina: Vstup A Vstup B Výstup A B P e r c e p t r o n Výstup 1 1

32 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Tréninková množina: Vstup A Vstup B Výstup Grafické vyjádření tréninkové množiny: Přiřazení grafických symbolů logickým hodnotám Hranice mezi třídami

33 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Základní parametry neuronu Grafické vyjádření tréninkové množiny: Vstup A Vstup B Neuron Výstup Základní parametry neuronu: W A váha vstupu A W B váha vstupu B H prahová hodnota neuronu Hranice mezi třídami

Podobné dokumenty

Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc

Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron