版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
人工神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)AI:ANN2大綱什么是人工神經(jīng)網(wǎng)絡(luò)(ANN)?
多層感知器(MLP)-誤差反向傳播算法(B-P)機(jī)器學(xué)習(xí)的意義-學(xué)習(xí)策略監(jiān)督學(xué)習(xí)1、人工神經(jīng)網(wǎng)絡(luò)01AI:ANN4PartⅠ:什么是ANN?AI:ANN5一個(gè)讓汽車學(xué)習(xí)自動(dòng)駕駛的神經(jīng)網(wǎng)絡(luò)T.M.Mitchell,MachineLearning,2006隱藏單元的權(quán)值A(chǔ)I:ANN6汽車自動(dòng)駕駛的視頻AI:ANN71.1人工神經(jīng)網(wǎng)絡(luò)將相互獨(dú)立的單元之間連接起來形成一種圖的結(jié)構(gòu),這樣的圖可能是有環(huán)的也可能是無環(huán)的,可能是有向圖也可能是無向圖.
自底向上AI
受生物神經(jīng)系統(tǒng)的啟發(fā),從結(jié)構(gòu)上模擬仿真AI功能AI:ANN8生物神經(jīng)系統(tǒng)
時(shí)間和空間上的累積
興奮和抑制圖片來源:http://kvhs.nbed.nb.ca/gallant/biology/neuron_structure.jpgAI:ANN9人工神經(jīng)系統(tǒng)
M-P神經(jīng)元θx1x2xnyω1ω2ωn輸入輸出閾值McClloch與Pitts,《神經(jīng)活動(dòng)中固有的思想邏輯運(yùn)算》,1943f:激活函數(shù)g:整合函數(shù)AI:ANN10整合函數(shù)加權(quán)求和
徑向距離AI:ANN11激活函數(shù)
閾值型線性飽和線性S型函數(shù)雙曲正切函數(shù)高斯函數(shù)AI:ANN121.2人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)前饋型神經(jīng)網(wǎng)絡(luò)-沒有環(huán)-靜態(tài)結(jié)構(gòu)
反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)-有環(huán)-動(dòng)態(tài)結(jié)構(gòu)(非線性動(dòng)力系統(tǒng))AI:ANN13前饋網(wǎng)絡(luò)的一般結(jié)構(gòu)反饋網(wǎng)絡(luò)的一般結(jié)構(gòu)AI:ANN141.3人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法神經(jīng)網(wǎng)絡(luò)根據(jù)所處環(huán)境對(duì)它的刺激自適應(yīng)的調(diào)整其網(wǎng)絡(luò)結(jié)構(gòu)中的自由參數(shù).學(xué)習(xí)模型
漸進(jìn)式vs.批處理兩類
監(jiān)督型vs.非監(jiān)督型AI:ANN15重要的神經(jīng)網(wǎng)絡(luò)模型模型結(jié)構(gòu)學(xué)習(xí)方法模型結(jié)構(gòu)學(xué)習(xí)方法多層感知器前饋型網(wǎng)絡(luò)結(jié)構(gòu)誤差修正玻爾茲曼機(jī)單層,反饋型網(wǎng)絡(luò)結(jié)構(gòu)隨機(jī)性徑向基函數(shù)網(wǎng)絡(luò)多層,前饋型網(wǎng)絡(luò)結(jié)構(gòu)誤差修正自適應(yīng)共振理論兩層,反饋型網(wǎng)絡(luò)結(jié)構(gòu)競(jìng)爭(zhēng)型學(xué)習(xí)霍普菲爾德網(wǎng)絡(luò)單層,反饋型網(wǎng)絡(luò)結(jié)構(gòu)外積Kohonen自組織特征映射網(wǎng)單層軟競(jìng)爭(zhēng)學(xué)習(xí)AI:ANN16PartⅡ:多層感知器(MLP)AI:ANN172.1B-P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
一種多層感知機(jī),其中的激活函數(shù)采用S型函數(shù).AI:ANN18B-P學(xué)習(xí)算法學(xué)習(xí)方法
-輸入數(shù)據(jù)被前向輸入到隱含層,然后再輸入到輸出層
-誤差信息被反向傳播,從輸出層到隱含層再到輸入層Rumelhart&Meclelland,Nature,1986AI:ANN19B-P學(xué)習(xí)步驟Step1.在訓(xùn)練集中選擇一種模式并將其輸入到網(wǎng)絡(luò)中Step2.計(jì)算輸入序列中輸入層,隱含層,輸出層神經(jīng)元的激活情況.Step3.通過比較實(shí)際輸出與期望輸出,計(jì)算輸出神經(jīng)元的誤差.Step4.用計(jì)算出來的誤差更新網(wǎng)絡(luò)中的所有權(quán)重,從而使全局誤差度量變小.Step5.重復(fù)上述Step1-Step5直到全局誤差小于一個(gè)給定的閾值.AI:ANN20B-P求導(dǎo)全局誤差度量理想輸出實(shí)際輸出平方誤差目標(biāo)是最小化平方誤差,即達(dá)到最小均方誤差(MSE)2、機(jī)器學(xué)習(xí)02AI:MachineLearning22PartⅠ:機(jī)器學(xué)習(xí)的意義
AI:MachineLearning23機(jī)器學(xué)習(xí)什么?學(xué)習(xí)是系統(tǒng)中的變化,這種變化使系統(tǒng)在重復(fù)同樣工作或類似工作時(shí),能夠做得更好。
西蒙機(jī)器學(xué)習(xí)研究如何使計(jì)算機(jī)程序自動(dòng)根據(jù)經(jīng)驗(yàn)提升其性能。應(yīng)用領(lǐng)域涵蓋從大量數(shù)據(jù)中發(fā)現(xiàn)一般規(guī)則的數(shù)據(jù)挖掘程序到自動(dòng)學(xué)習(xí)用戶興趣的信息過濾系統(tǒng)等。TomM.MitchellAI:MachineLearning24定義學(xué)習(xí)的任務(wù)基于經(jīng)驗(yàn),根據(jù)性能準(zhǔn)則,提升完成相應(yīng)任務(wù)的性能任務(wù):下跳棋性能:對(duì)于任意對(duì)手,取勝的概率
經(jīng)驗(yàn):以自己為對(duì)手,進(jìn)行的練習(xí)任務(wù):識(shí)別手寫字性能:被正確分類的字所占的比例經(jīng)驗(yàn):經(jīng)過人工標(biāo)注的手寫字的數(shù)據(jù)庫任務(wù):視覺傳感器自動(dòng)駕駛性能:出錯(cuò)前行駛的平均距離經(jīng)驗(yàn):人類駕駛的時(shí)候記錄下來的一系列圖像和控制命令ExamplesAI:MachineLearning25為什么要進(jìn)行機(jī)器學(xué)習(xí)?在環(huán)境事先未知時(shí),學(xué)習(xí)至關(guān)重要(可用于開發(fā)能夠自動(dòng)適應(yīng)環(huán)境的系統(tǒng)). 比如,當(dāng)設(shè)計(jì)者缺少關(guān)于環(huán)境的全部信息時(shí)學(xué)習(xí)是一個(gè)很有用的系統(tǒng)構(gòu)建方法(可用于構(gòu)建人工方式很難實(shí)現(xiàn)或者很昂貴的系統(tǒng)).比如,將系統(tǒng)暴露在真實(shí)的環(huán)境中自我提升而不是直接構(gòu)建該系統(tǒng)。AI:MachineLearning26為什么要進(jìn)行機(jī)器學(xué)習(xí)?(續(xù))從龐大的數(shù)據(jù)庫里發(fā)掘新信息(數(shù)據(jù)挖掘)。商場(chǎng)購(gòu)物數(shù)據(jù)分析(如:尿布和啤酒)醫(yī)學(xué)文本挖掘(如:偏頭痛和鈣)對(duì)于機(jī)器學(xué)習(xí)的研究可以幫助我們理解人類以及其他生物的學(xué)習(xí)方式。AI:MachineLearning27學(xué)習(xí)系統(tǒng)的評(píng)價(jià)實(shí)驗(yàn)在不同的基準(zhǔn)數(shù)據(jù)集上,采用交叉驗(yàn)證試驗(yàn)來比較各種不同的方法。收集評(píng)價(jià)系統(tǒng)性能的數(shù)據(jù),如測(cè)試準(zhǔn)確率、訓(xùn)練時(shí)間、測(cè)試時(shí)間等。分析方法在統(tǒng)計(jì)顯著性上的不同。理論從數(shù)學(xué)上分析算法,為以下幾點(diǎn)提供理論支持:計(jì)算復(fù)雜性擬合訓(xùn)練數(shù)據(jù)的能力樣本復(fù)雜性(得到一個(gè)準(zhǔn)確的函數(shù)所需要的訓(xùn)練數(shù)據(jù)的個(gè)數(shù))AI:MachineLearning28S.J.RusselllandP.Norvig,“artificialintelligence:amodernapproach”.具有學(xué)習(xí)能力的智能系統(tǒng)的架構(gòu)AI:MachineLearning29學(xué)習(xí)機(jī)構(gòu)學(xué)習(xí)機(jī)構(gòu)的設(shè)計(jì)需要考慮:學(xué)習(xí)性能組件中的什么部分可利用什么反饋方式來學(xué)習(xí)這些部分怎樣表示性能組件?反饋類型: 監(jiān)督學(xué)習(xí):每一個(gè)輸入數(shù)據(jù)都有對(duì)應(yīng)的期望輸出非監(jiān)督學(xué)習(xí):沒有輸入數(shù)據(jù)的期望輸出強(qiáng)化學(xué)習(xí):通過獎(jiǎng)懲學(xué)習(xí)AI:MachineLearning30學(xué)習(xí)策略機(jī)械式學(xué)習(xí)
基于存儲(chǔ)的學(xué)習(xí)指導(dǎo)式學(xué)習(xí)
將外部指導(dǎo)者提供的知識(shí)形式轉(zhuǎn)化為可供執(zhí)行機(jī)構(gòu)直接使用的知識(shí)形式類比學(xué)習(xí)
利用不同領(lǐng)域知識(shí)的相似性AI:MachineLearning31學(xué)習(xí)策略(續(xù))解釋學(xué)習(xí)
演繹和歸納相結(jié)合歸納學(xué)習(xí)
1.人工神經(jīng)網(wǎng)絡(luò)
2.統(tǒng)計(jì)學(xué)習(xí)
3.決策樹
4.聚類
監(jiān)督非監(jiān)督AI:MachineLearning32機(jī)械式學(xué)習(xí)學(xué)習(xí)==存儲(chǔ)?存儲(chǔ)問題的解,當(dāng)遇到相同的問題時(shí)進(jìn)行檢索。存儲(chǔ)和計(jì)算的權(quán)衡AI:MachineLearning33PartⅡ:監(jiān)督學(xué)習(xí)AI:MachineLearning342.1什么是監(jiān)督學(xué)習(xí)?最簡(jiǎn)單的形式:根據(jù)輸入數(shù)據(jù)學(xué)習(xí)一個(gè)函數(shù)f
是目標(biāo)函數(shù)
一個(gè)數(shù)據(jù)是一個(gè)(x,f(x))對(duì)
問題:給定一個(gè)訓(xùn)練數(shù)據(jù)集,找到一個(gè)函數(shù)h,以使
h≈fAI:MachineLearning35監(jiān)督學(xué)習(xí)方法構(gòu)造
h,使h在訓(xùn)練數(shù)據(jù)集上與f
吻合(如果對(duì)于所有的數(shù)據(jù),h都與f吻合,則h與f是一致的。)如:
曲線擬合:AI:MachineLearning36監(jiān)督學(xué)習(xí)方法構(gòu)造
h,使h在訓(xùn)練數(shù)據(jù)集上與f
吻合(如果對(duì)于所有的數(shù)據(jù),h都與f吻合,則h與f是一致的。)如:
曲線擬合:AI:MachineLearning37監(jiān)督學(xué)習(xí)方法構(gòu)造
h,使h在訓(xùn)練數(shù)據(jù)集上與f
吻合(如果對(duì)于所有的數(shù)據(jù),h都與f吻合,則h與f是一致的。)如:
曲線擬合:AI:MachineLearning38監(jiān)督學(xué)習(xí)方法構(gòu)造
h,使h在訓(xùn)練數(shù)據(jù)集上與f
吻合(如果對(duì)于所有的數(shù)據(jù),h都與f吻合,則h與f是一致的。)如:
曲線擬合:AI:MachineLearning39監(jiān)督學(xué)習(xí)方法構(gòu)造
h,使h在訓(xùn)練數(shù)據(jù)集上與f
吻合(如果對(duì)于所有的數(shù)據(jù),h都與f吻合,則h與f是一致的。)如:
曲線擬合:AI:MachineLearning40監(jiān)督學(xué)習(xí)方法構(gòu)造
h,使h在訓(xùn)練數(shù)據(jù)集上與f
吻合(如果對(duì)于所有的數(shù)據(jù),h都與f吻合,則h與f是一致的。)如:
曲線擬合:奧坎木剃刀:優(yōu)先選擇符合數(shù)據(jù)的最簡(jiǎn)單模型AI:MachineLearning41PartⅢ:非監(jiān)督學(xué)習(xí):聚類AI:MachineLearning424.1什么是聚類?典型的非監(jiān)督學(xué)習(xí)只給出輸入數(shù)據(jù),不給出期待的輸出根據(jù)數(shù)據(jù)之間的相似性,將數(shù)據(jù)分成幾個(gè)簇的過程。發(fā)現(xiàn)數(shù)據(jù)組并鑒別出數(shù)據(jù)中令人感興趣的數(shù)據(jù)分布AI:MachineLearning434.2劃分聚類方法根據(jù)給定的標(biāo)準(zhǔn),把數(shù)據(jù)集劃分成k個(gè)子集(簇)。在所有可能的劃分中搜索最優(yōu)的劃分。
盲目搜索
啟發(fā)式搜索
AI:MachineLearning44總結(jié)學(xué)習(xí)是一個(gè)系統(tǒng)通過經(jīng)驗(yàn)來提高性能的過程。有學(xué)習(xí)能力的智能系統(tǒng)的四個(gè)要素:
評(píng)價(jià)機(jī)構(gòu),環(huán)境機(jī)構(gòu),執(zhí)行機(jī)構(gòu),學(xué)習(xí)機(jī)構(gòu)AI:MachineLearning
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 關(guān)于土地流轉(zhuǎn)協(xié)議
- 顱縫早閉病因介紹
- 醫(yī)患爭(zhēng)議調(diào)解協(xié)議書
- 2025就業(yè)協(xié)議樣本
- 河南省許昌市(2024年-2025年小學(xué)六年級(jí)語文)統(tǒng)編版質(zhì)量測(cè)試(下學(xué)期)試卷及答案
- 《電機(jī)技術(shù)應(yīng)用》課件 3.1.2 直流電機(jī)電樞繞組
- (可研報(bào)告)天津東疆保稅區(qū)設(shè)立spv公司可行性報(bào)告
- (2024)紙塑復(fù)合袋生產(chǎn)建設(shè)項(xiàng)目可行性研究報(bào)告(一)
- (2024)觀光餐廳建設(shè)項(xiàng)目可行性研究報(bào)告(一)
- 2023年天津市濱海新區(qū)八所重點(diǎn)學(xué)校高考語文聯(lián)考試卷
- EXCEL綜合上機(jī)操作題(20220127214107)
- 人工挖探孔專項(xiàng)施工方案(共17頁)
- 復(fù)合肥料配方大公開
- 奧地利全英文簡(jiǎn)介(課堂PPT)
- 鄰近營(yíng)業(yè)線施工方案)
- 頸動(dòng)脈斑塊的識(shí)別與處理.ppt
- 揚(yáng)州市梅嶺二年級(jí)數(shù)學(xué)上冊(cè)期末復(fù)習(xí)試卷(一)及答案
- 新西蘭旅行計(jì)劃日行程單簽證
- 三方比價(jià)單74440
- 標(biāo)準(zhǔn)人手孔面積與土方表
- UNI 鋼材對(duì)照表
評(píng)論
0/150
提交評(píng)論