1 / 23

Mesterséges Neurális Hálózatok Tematika

Mesterséges Neurális Hálózatok Tematika. Póczos Barnabás NIPG ELTE-IK. Tematika. Bevezetés Óra célja NIPG csoport MI helyzete ANN definíció ANN felhasználási lehetőségei ANN története Hilbert 13. problémája Univerzális approximátorok reprezentációs tételek.

aletha
Download Presentation

Mesterséges Neurális Hálózatok Tematika

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Mesterséges Neurális HálózatokTematika Póczos Barnabás NIPG ELTE-IK

  2. Tematika • Bevezetés • Óra célja • NIPG csoport • MI helyzete • ANN definíció • ANN felhasználási lehetőségei • ANN története • Hilbert 13. problémája • Univerzális approximátorok • reprezentációs tételek

  3. Az első neurális hálók Őskori algoritmusok • Perceptron • perceptron • Adaline • LMS • Hebb szabály • Widrow • Többrétegű perceptron • backpropagation • Alkalmazás • osztályozási feladatok • univerzális függvény-approximátor

  4. Mintavételezések, és alkalmazásaik • Mintavételezés • Hasting • Gibbs • nagy dimenziós terek mintavételezése • Szimulált kihűtés (SA) • Globális optimalizálás • Monte Carló Trajektória Mintavételezés (MCTS), ConDensation • Objektum követés • Hepatitis B elleni oltások vizsgálata

  5. MCTS alkalmazások

  6. Expectation-Maximisation (EM) • MoG hálózat paraméter becslés • HMM paraméter becslés • LDS paraméterbecslés • Alkalmazás: • Positron Emission Tomography (PET) képfeldolgozás • AIDS fertőzöttek számának becslése

  7. Kalman Filter (KF)Kiterjesztett Kalman Filter (EKF) • KF, EKF alkalmazások • Tengerészeti navigáció • Rakéta elhárítás • Arckövetés • Robot irányítás • Látókéreg modellezés • Változatok: • Unscented KF • Sigma point KF • Neurális megvalósítás: • Rekurzív Predikciós Hibamódszer (RPE) „Matematikus kalandorok paradicsoma” (Ljung)

  8. Tematika, Szabó Zoltán • Kernel módszerek • SVM • Alkalmazás • osztályozási feladatok

  9. Főkomponens Analízis (PCA)Független komponens Analízis (ICA) • PCA, ICA, MICA • Ritka kódolás • ICA, SVM, Sparse coding kapcsolata • Kernel módszerek • PCA • ICA • MICA • Alkalmazás • Koktélparti probléma • EEG adatok feldolgozása • Látókérgi sejtek modellezése

  10. Bayes hálók • Vélekedés propagálás (BP) • Várható érték propagálás (EP) • Alkalmazás • Orvosi diagnózis • Szakértő rendszerek • Hibajavító kódolás

  11. Markov dinamika • Markov modellek • Rejtett Markov modellek (HMM) • Folytonos • diszkrét • Viterbi algoritmus • Baum Welch algoritmus

  12. HMM alkalmazások • Alkalmazás • Dasher szövegbevitel • Hang feldolgozás • DNA elemzés • Arckifejezés felismerés • Országúti forgalom modellezés • Viselkedési formák elemzése • Dasher adatok • Irodai tevékenység • Otthoni tevékenység

  13. Topológiát tanuló neurális hálók • Lokálisan Lineáris Beágyazás (LLE) • Általános Topografikus Leképezés (GTM) • Önszervező hálózatok (SOM) • Kohonen hálózatok

  14. Topológiát tanuló neurális hálók

  15. Arcképek feldolgozása • NMF • Arcrészletek keresése • ADABOOST • Arc detektálás, követés • Szem detektálás, követés

  16. Arc detektálás

  17. Szemdetektálás

  18. Statisztikus fizikán alapuló hálózatok • Hopfield hálózat • Boltzmann hálózat • Meanfield hálózat • Alkalmazás • globális minimalizálás • NP nehéz kombinatorikus problémák • utazó ügynök • 8 királynő

  19. Rekurrens Neurális Hálózatok(Szita István) • Rekurrens Neurális Hálózatok (RNN) • Echo State Network (ESN) • PIRANHA algoritmus • Alkalmazás • Kaotikus sorozatok megtanulása

  20. EC-HC modellezés (Lőrincz András) • Biológiai relevancia • Az értelmezés kérdése és a homunculus paradoxon feloldása mesterséges neuronhálókkal • Az architektúra származtatása • Az architektúra jóslatai, kísérleti eredmények

  21. Felhasznált irodalom • Horváth Gábor: Neurális hálók és műszaki alkalmazásaik, Műegyetemi Kiadó 1995 • Simon Haykin:Neural Networks: A Comprehensive Foundation (2nd Edition) • Howard Demuth, Mark Beale:Neural Network Toolbox • L. Ljung, T. Soderstrom: Theory and Practice of Recursive Identification, MIT Press, 1983 • N. Cristianini and J. Shawe-Taylor: An introduction to support vector machines (and other kernel-based learning methods) Cambridge University Press

  22. Felhasznált irodalom • Michael I. Jordan: Learning in graphical models 2000 ISBN: 0 521 78019 5 • A. Hyvarinen, J. Karhunen, E. Oja:Independent Component Analysis • G. J. McLachlan and T. Krishnan: The EM Algorithm and Extensions • T.M. Cover and J.A. Thomas: Elements of Information Theory • Brendan Frey: Graphical Models for Machine Learning and Digital Communication • David J.C. MacKay: Information Theory, Inference, and Learning Algorithms

  23. Felhasznált irodalom Jegyzetek: • Jaakkola, Tommi: http://ocw.mit.edu/OcwWeb/Electrical-Engineering-and-Computer-Science/6-867Machine-LearningFall2002/LectureNotes/index.htm • Levendowszky János: http://www.hit.bme.hu/people/levendov/Neuralis/ • Lőrincz András: http://people.inf.elte.hu/lorincz/scripts/Eloadas/ANN_Word_v_0.9.zip • Peng, Yun: http://www.csee.umbc.edu/~ypeng/#PTR0 • Welling, Max: http://www.vision.caltech.edu/welling/class/LearningSystems156B.html

More Related