slide1
Download
Skip this Video
Download Presentation
NEURONSKE MRE ŽE (Neural Networks)

Loading in 2 Seconds...

play fullscreen
1 / 30

NEURONSKE MRE ŽE (Neural Networks) - PowerPoint PPT Presentation


  • 202 Views
  • Uploaded on

NEURONSKE MRE ŽE (Neural Networks). Ivan Živković. POJAM. Veštačka neuronska mreža je paradigma obrade informacija kakvo vrše biološki neuronski sistemi.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'NEURONSKE MRE ŽE (Neural Networks)' - afra


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide2
POJAM

Veštačka neuronska mreža je paradigma obrade informacija kakvo vrše biološki neuronski sistemi.

Veštačke neuronske mreže koriste principe ljudskog mozga i njegove strukture, kako bi razvile strategiju procesiranja podataka. Suština je u masovnoj paralelnoj obradi podataka.

slide3
ISTORIJSKI RAZVOJ

1943. Warren McCulloch i Walter Pitts uveli prvi, jednostavni matematički model neurona

1949. Donald Hebb - “Organizacija ponašanja” (The organisation of behaviour)

1951. Marvin Mynski dizajnirao prvi neurokompjuter Snark (od 40 neurona)

1957. Frank Rosenblatt je izumeo perceptron

Carpenter i Grossberg - ART mreža (Adaptive Resonance Theory)

konferencija 1987. u San Dijegu, stručni časopisi Neural Networks, Neural Computation (1989)

slide9
ANALOGIJA DELOVA BIOLOŠKOG I VEŠTAČKOG NEURONA

Telo neurona

Sinapse

Akson

Potencijal outputa

Potencijal

inputa

Dendriti

Aktivacijska funkcija

Težinski

koeficijenti

Zbir

Vrednost

inputa

Vrednosti outputa

slide10
Osnove neuronskih mreža

Neuron – prima ulaze, procesira ih i proizvodi jedan izlaz

slide11
Osnove neuronskih mreža

Mreža – sastoji se od neurona grupisanih u slojeve

slide12
Procesiranje informacije u mreži

xi (i = 1, 2, ... , m) – ulazne veze, vrednosti ulaza koje neuron prima (signali ili potencijali ulaua kod biološkog neurona);

wki (i = 1, 2, ... , m) – tzv. težinski koeficijenti – weights (sinapse kod biološkog neurona);

uk– zbirna vrednost, koja se dobija sabiranjem ponderisanih ulaza (telo prirodnog neurona);

a(.) – aktivacijska funkcija (akson kod biološkog neurona);

θK – prag aktivacije ;

yi – vrednost izlaza tj. outputa (potencijal izlaza kod biološkog neurona).

slide14
Funkcija transformacije

Određuje da li rezultat funkcije sumiranja (interna aktivacija) može da proizvede izlaz.

Linearna i nelinearna

Nelinearnost je od izuzetnog značaja

Jedna od najpoznatijih je sigmoidalna funkcija

slide15
Sigmoidna (logistička) funkcija

b – parametar nagiba

slide16
ARHITEKTURA (TOPOLOGIJA) NEURONSKE MREŽE

Jedan ili više slojeva

Sa više slojeva: ulazni, skriveni, izlazni

Složenije neuronske mreže mogu imati više skrivenih slojeva, povratne petlje i elemente za odlaganje vremena, koji su dizajnirani da omoguće što efikasnije odvajanje važnih osobina ili šema sa ulaznog nivoa.

slide18
OSTALE PODELE NEURONSKIH MREŽA
  • Prema vrstama veza:
  • slojevite
  • potpuno povezane
  • celularne

Prema smeru prostiranja informacija:

  • Feedforward (nerekurzivne, nerekurentne ili nepovratne)
  • Feedback ( rekurzivne, rekurentne ili povratne)
slide20
Sposobnost učenja
  • Prema tipu učenja u mreži, algoritmi neuronskih mreža se dele na:
  • Nagledano (supervised) učenje
  • Nenagledano (unsupervised) učenje

* Npr. predviđanje ponašanja kupaca u odnosu na neki proizvod sa poznatim prošlim akcijama kupaca ili bez poznatih prošlih akcija.

slide21
Sposobnost učenja

Treniranje sistema

Backpropagation algoritam (algoritam povratnog prostiranja)

Cilj je da se procesuira veliki broj slučajeva kroz neuronsku mrežu u fazi treninga, kako bi se obezbedio najviši kvalitet izlaza u odnosu na postojeće inpute

slide22
Backpropagation algoritam

Najčešće korišćen algoritam učenja

Lak za implementaciju

Počevši od izlaznog sloja, razlika (greška) između željenih i stvarnih izlaza računa se da bi se na osnovu nje popravile vrednosti težina u prethodnom sloju

slide24
Backpropagation algoritam

1. Inicijalizacija težina (slučajna)

2. Učitavanje ulaznog vektora i željenog izlaza

3. Propuštanje ulaznog vektora kroz mrežu i dobijanje izračunatog izlaza

4. Izračunavanje greške

5. Podešavanje težina idući unazad od izlaznog sloja ka skrivenim slojevima

slide25
Prikupljanje i priprema podataka

Kada je problem jasno definisan potrebno je prikupiti podatke

Set podataka sastoji se iz određenog broja slučajeva (vektora), od kojih svaki sadrži određeni broj vrednosti za ulazne i izlazne varijable

Vrsta ulaznih podataka određuje topologiju i algoritam učenja

Podaci moraju biti u numeričkom obliku

slide26
Trening i testiranje mreže

Mreži se prezentiraju podaci za treniing i ona uči sve dok nije u stanju da proizvede izlaz koji poštuje unapred određenu toleranciju

Testiranje se vrši na podacima za testiranje

Testiranje omogućava proveru valjanosti funkcionisanja

slide27
PROBLEMI NA KOJE SE MOGU PRIMENITI NEURONSKE MREŽE

kod kojih postoji mnogo prošlih reprezentativnih primera;

kod kojih se varijable mogu kvantitativno izraziti;

kod kojih standardne statističke metode nisu pokazale uspeh, tj. pojava se ne može predstaviti nekim linearnim modelom;

kod kojih je ponašanje pojave često neizvesno, podaci nepotpuni, te je potreban robustan alat.

slide28
PRIMENA NEURONSKIH MREŽA U EKONOMIJI

Procena budućih uslova (predviđanje cena akcija, obveznica, finansijskih derivata i sl.)

Klasifikacija entiteta zasnovana na istorijskim ili izmerenim podacima (klasifikacija akcija u grupe: kupi, prodaj, zadrži; klasifikacija hipotekarnih kredita na dobre i loše)

slide29
ZAKLJUČAK

Prednost neuronskih mreža u odnosu na statističke tehnike, kada su u pitanju nelinarni modeli

Predstavljaju robustan alat, pogodan za primenu u uslovima neizvesnosti i nepotpunih podataka

Kao i kod ostalih tehnika, od kvaliteta ulaznih podataka u velikoj meri zavisi kvalitet outputa (garbage in  garbage out)

ad