1 / 20

Inteligencja Obliczeniowa Wizualizacja.

Inteligencja Obliczeniowa Wizualizacja. Wykład 16 Włodzisław Duch Uniwersytet Mikołaja Kopernika. Mapy w mózgu. Samoorganizacja Sieci Kohonena. Co było. Wizualizacja Skalowanie wielowymiarowe Porównanie z modelem SOM. Co będzie. Wizualizacja w SOM i MDS.

evelia
Download Presentation

Inteligencja Obliczeniowa Wizualizacja.

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. Inteligencja ObliczeniowaWizualizacja. Wykład 16 Włodzisław Duch Uniwersytet Mikołaja Kopernika

  2. Mapy w mózgu. Samoorganizacja Sieci Kohonena Co było

  3. Wizualizacja Skalowanie wielowymiarowe Porównanie z modelem SOM Co będzie

  4. Wizualizacja w SOM i MDS • MDS - skalowanie wielowymiarowe Informacja o skupieniachw danych zawarta jest w relacjach topograficznych maksimów gęstości rozkładow. Wizualizacja w niskowymiarowych przestrzeniach wymaga oceny stopnia zniekształcenia - miary liczbowej. MDS, MultiDimensional Scaling (Thorton 1954, Kruskal 1964, Sammon 1964, Duch 1995) - proste miary zgodności topograficznej (MZT). Przestrzeń danych RN, wektory X mapowane na przestrzeń docelową, zwykle YR2. Odległości Rij = D(Xi,Xj) pomiędzy Xi i Xj w RN; odległości rij = d(Yi,Yj) w R2. Znajdź mapę X Y=M(X) minimalizującą globalną MZT, czyli różnicę pomiędzy Riji rij.

  5. Miary zgodności topograficznej Współczynnik stresu i alienacji (Kruskal); dowolna funkcja o nieujemnych przyczynkach, np. f. entropowe. Miara transmisji informacji, określa ile informacji uległo straceniu przy redukcji wymiarowości.

  6. MDS i SOM Pytania: 1) Jak dobre są mapy otrzymane z SOM (w sensie miary TMZ) ? 2) Jak wyglądają mapy optymalne ? 3) Jak udoskonalić SOM by dawał lepszą wizualizację ? Mapa: nie istnieje funkcja! Umieszczenie nowego punktu a mapie wymaga nowej minimalizacji; tylko dla ustalonej liczby punktów można znaleźć odpowiednią funkcję. Zamiast SOM dobra klasyfikacja + MDS ? Lokalna wizualizacja danych, interakcyjne powiększanie, tak, by uniknąć zbyt dużych zniekształceń topograficznych.

  7. Mapy semantyczne Przestrzeń cech dla wyrazów: semantyka w relacjach topograficznych? Np. zdania o 16 zwierzętach: gołąb, kura, kaczka, gęś, sowa, jastrząb, orzeł, lis, pies, wilk, kot, tygrys, lew, koń, zebra, krowa. Koń biega; koń ma kopyta; koń jest duży... 13 binarnych cech: mały, średni, duży; ma 2 nogi, 4 nogi, włosy, kopyta, grzywę, pióra; lubi polować, biegać, latać, pływać. 76 zdań opisujących zwierzęta,razem 13+16=29 wymiarów. Jak wygląda mapa SOM i MDS? Naturalna klasyfikacja nazw zwierząt: Ssaki oddzielone od ptaków, drapieżniki od roślinożernych, małe zwierzęta od dużych. Pytanie o podobieństwo zwierząt do siebie ma sens również w świetle odległości na takiej toposemantycznej mapie. Podobieństwo wyraża się w czasach reakcji odpowiadających osób.

  8. Mapy semantyczne: MDS i SOM

  9. MDS danych eksperymentalych

  10. Hipersześciany

  11. Hipersześcian 5d

  12. Sympleksy 6-11

  13. Sympleksy 15-20

  14. Kula 216 neuronów 1D, 18x12 neuronów w 2D i 6x6x6 neuronów w 3D. 216 neuronów w 1D, 2D i 3D, rosnąca sieć GCS.

  15. Przykłady zastosowań Sztuczne życie i AI: analiza danych z sensorów, kontrola ruchów robotów, mapy poruszania się po labiryntach, akwizycja wiedzy, podobieństwo tekstów i KDM . Badania nad mózgiem: formowanie się map topograficznych, tonotopicznych, motorycznych, somatotopowych, w układzie wzrokowym. Klasyfikacja: genetyka, własności białek, analiza mowy, klasyfikacja pieśni godowych owadów i ptaków, QSAR, astronomia, fizyka .... Kompresja danych, szczególnie obrazów i dźwięków, filtrowanie informacji. Diagnostyka: medycyna, inżynieria Język naturalny: kategoryzacje lingwistyczne, fonetyczne rozpoznawanie mowy, rozbiór gramatyczny, wzorce przenoszenia wyrazów, nabywanie umiejętności lingwistycznych.

  16. Przykłady cd. Optymalizacja: konfiguracja połączeń telefonicznych, projektowanie VLSI, szeregi czasowe, zagadnienia kolejkowania. SOM jako algorytm optymalizacji, np. reprezentacja N-miast na torusie - na razie tylko w 1 pracy. Przetwarzanie sygnałów: filtry adaptacyjne, analiza w czasie rzeczywistym, sygnały radarowe, sonarowe, sejsmiczne, medyczne, podczerwone ... Rozpoznawanie obrazu: segmentacja, wykrywanie obiektów, analiza tekstur.

  17. Mapy ekonomiczne. Dane: Bank Światowy 1992, 39 wskaźników jakości życia. SOM i mapa świata; analiza giełdy i analiza stopów.

  18. Olej z Włoch. 572 próbek olejków z oliwek pobrano z 9 prowincji Włoch. Sieć SOM 20 x 20,uczona % 8 tłuszczówzawartych w olejkach. Mapa 8D => 2D. Dokładność klasyfikacji na testowanych próbkach rzędu 95-97%.

  19. Podstawy teoretyczne CI. Inspiracje statystyczne. Drzewa decyzji. Metody oparte na podobieństwie. Uczenie maszynowe, indukcja reguł logicznych. Zastosowania. Co dalej?

  20. Koniec wykładu 16 Dobranoc !

More Related