1 / 59

Az Alakfelismerés és g épi tanulás ELEMEI

Adatbányászati alkalmazások. Az Alakfelismerés és g épi tanulás ELEMEI. Bevezetés. Példa. Kézzel írt számjegyek felismerése. Polinom illesztése. Négyzet-összeg hibafüggvény. 0 -ad fokú polinom. 1 ső fokú polinom. 3 ad fokú polinom. 9 ed fokú polinom. Túlillesztés.

ciro
Download Presentation

Az Alakfelismerés és g épi tanulás ELEMEI

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. Adatbányászati alkalmazások Az Alakfelismerésés gépi tanulás ELEMEI Bevezetés

  2. Példa Kézzel írt számjegyek felismerése

  3. Polinom illesztése

  4. Négyzet-összeg hibafüggvény

  5. 0-ad fokú polinom

  6. 1ső fokú polinom

  7. 3ad fokú polinom

  8. 9ed fokú polinom

  9. Túlillesztés Átlagos négyzetes hiba gyöke (RMS):

  10. Polinom együtthatók

  11. Adatállomány mérete: 9ed fokú polinom

  12. Adatállomány mérete: 9ed fokú polinom

  13. Regularizáció Büntessük a nagy értékű együtthatókat:

  14. Regularizáció:

  15. Regularizáció:

  16. Regularizáció: vs.

  17. Polinom együtthatók

  18. Valószínűségelmélet AlmákésNarancsok

  19. Valószínűségelmélet Marginálisvalószínűség Feltételes valószínűség Együttes valószínűség

  20. Valószínűségelmélet Összeg szabály Szorzat szabály

  21. A valószínűségszámítás szabályai Összeg szabály Szorzat szabály

  22. Bayes tétel a poszterior  likelihood × a prior

  23. Valószínűségi sűrűségek

  24. Transzformált sűrűségek

  25. Várható értékek Feltételes várható érték (diszkrét eset) A várható érték közelítése (diszkrét és folytonos)

  26. Varianciákés kovarianciák

  27. Normális (Gauss) eloszlás

  28. Gauss eloszlás várható értéke és varianciája

  29. Többdimenziós normális eloszlás

  30. Normális eloszlás paramétereinek becslése Likelihood függvény

  31. (Log) Likelihood függvény maximalizálása

  32. A és becslések tulajdonságai

  33. Sztochasztikus görbeillesztés

  34. Maximum Likelihood Határozzuk meg-t az négyzetes hiba maximalizálásával.

  35. Előrejelző eloszlások

  36. MAP: egy lépés a Bayes szemlélet felé Határozzuk meg -t az regularizált legkisebb négyzetek minimalizálásával.

  37. Bayes-féle görbeillesztés

  38. Bayes-féle előrejelző eloszlások

  39. Modell-választás Keresztellenőrzés

  40. A dimenzió probléma

  41. A dimenzió probléma Polinom görbe illesztéseM = 3 Gauss sűrűségek magas dimenzióban

  42. Döntéselmélet Következtetés Határozzuk meg-t vagy-t. Döntés Adottx esetén határozzuk meg azoptimálist-t.

  43. Minimális téves osztályozási arány

  44. Minimális várható veszteség Példa: osztályozzunk orvosi képeket mint rákos (cancer) vagy normális (normal) Döntés Igazság

  45. Minimális várható veszteség Aztartományt úgy választjuk, hogy minimalizáljuk:

  46. Elutasítás

  47. Miért különítsük el a következtetést és döntést? Rizikó minimalizálás (a veszteség mátrix változhat az idővel) Elutasítási lehetőség Kiegyensúlyozatlan osztályok Modellek egyesítése

  48. Döntéselmélet regressziónál Következtetés Határozzuk meg-t. Döntés Adottx esetén találjunky(x) optimális előrejelzéstt-re. Veszteségfüggvény:

  49. Négyzetes veszteségfüggvény

  50. Generatív vagydiszkriminatív Generatív megközelítés: Modell Használjuk a Bayes tételt Diszkriminatív megközelítés: Modellezzük -t közvetlenül

More Related