Mestersges neuronhlzatok Neurlis hlzat l l l Gpi
![Mesterséges neuronhálózatok Mesterséges neuronhálózatok](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-1.jpg)
![Neurális hálózat l l l Gépi tanulás egyik módja Mesterséges neuronokból áll Mc. Culloch-Pitts Neurális hálózat l l l Gépi tanulás egyik módja Mesterséges neuronokból áll Mc. Culloch-Pitts](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-2.jpg)
![Hálózat használata l Neuronháló megtervezése ¡ rétegek száma ¡ neuronok száma ¡ tanulási algoritmus Hálózat használata l Neuronháló megtervezése ¡ rétegek száma ¡ neuronok száma ¡ tanulási algoritmus](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-3.jpg)
![Mesterséges neuron Tanulás: súlyok módosításával Súlyok: a bemenet/kapcsolat erősségét jelzik Kimeneti jel: aktivációs szint Mesterséges neuron Tanulás: súlyok módosításával Súlyok: a bemenet/kapcsolat erősségét jelzik Kimeneti jel: aktivációs szint](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-4.jpg)
![Aktivációs függvények l szignum (előjel) függvény (1/-1) l egységugrás/lépés függvény (0/1) l lineáris függvény Aktivációs függvények l szignum (előjel) függvény (1/-1) l egységugrás/lépés függvény (0/1) l lineáris függvény](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-5.jpg)
![Perceptron l legegyszerűbb neuronháló = 1 neuron l 1958. Frank Rosenblatt l cél: bemeneteket Perceptron l legegyszerűbb neuronháló = 1 neuron l 1958. Frank Rosenblatt l cél: bemeneteket](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-6.jpg)
![Perceptron l l l n db bemenet: x 1, x 2, …, xn n Perceptron l l l n db bemenet: x 1, x 2, …, xn n](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-7.jpg)
![Tanulás l Súlyok módosítása ¡ az aktuális és kívánt kimenet közti különbség alapján (felügyelt Tanulás l Súlyok módosítása ¡ az aktuális és kívánt kimenet közti különbség alapján (felügyelt](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-8.jpg)
![Tanulás l Tanulási szabály – új súly meghatározása: l α: pozitív konstans (tanulási tényező) Tanulás l Tanulási szabály – új súly meghatározása: l α: pozitív konstans (tanulási tényező)](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-9.jpg)
![Tanulási algoritmus 1. Inicializálás ¡ súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás Tanulási algoritmus 1. Inicializálás ¡ súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-10.jpg)
![Neurális szakértői rendszerek l Neurális háló és szabályok kombinációja l Szabályok automatikus létrehozása l Neurális szakértői rendszerek l Neurális háló és szabályok kombinációja l Szabályok automatikus létrehozása l](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-11.jpg)
- Slides: 11
![Mesterséges neuronhálózatok Mesterséges neuronhálózatok](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-1.jpg)
Mesterséges neuronhálózatok
![Neurális hálózat l l l Gépi tanulás egyik módja Mesterséges neuronokból áll Mc CullochPitts Neurális hálózat l l l Gépi tanulás egyik módja Mesterséges neuronokból áll Mc. Culloch-Pitts](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-2.jpg)
Neurális hálózat l l l Gépi tanulás egyik módja Mesterséges neuronokból áll Mc. Culloch-Pitts neuron ¡ ¡ ¡ több súlyozott bemenet küszöbfüggvény 1 kimenet, amely l l lehet végső kimenet elágazhat lehet újabb neuron(ok) bemenete Használat: ¡ minták megtanulása után olyan mintákat is tud kategorizálni, amit még nem „látott”
![Hálózat használata l Neuronháló megtervezése rétegek száma neuronok száma tanulási algoritmus Hálózat használata l Neuronháló megtervezése ¡ rétegek száma ¡ neuronok száma ¡ tanulási algoritmus](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-3.jpg)
Hálózat használata l Neuronháló megtervezése ¡ rétegek száma ¡ neuronok száma ¡ tanulási algoritmus l Hálózat elkészítése l Hálózat tanítása l Hálózat használata kategorizálási feladatokra
![Mesterséges neuron Tanulás súlyok módosításával Súlyok a bemenetkapcsolat erősségét jelzik Kimeneti jel aktivációs szint Mesterséges neuron Tanulás: súlyok módosításával Súlyok: a bemenet/kapcsolat erősségét jelzik Kimeneti jel: aktivációs szint](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-4.jpg)
Mesterséges neuron Tanulás: súlyok módosításával Súlyok: a bemenet/kapcsolat erősségét jelzik Kimeneti jel: aktivációs szint Aktivációs szint: a súlyokból, a bemeneti jelekből és a küszöb segítségével számítja ki l Bemenetek: a külvilágtól vagy más neuronoktól érkező jelek l Kimenet: végső eredmény vagy bemenet más neuronoknak l Aktivációs függvény: eldönti, hogy a neuron tüzel -e l l
![Aktivációs függvények l szignum előjel függvény 11 l egységugráslépés függvény 01 l lineáris függvény Aktivációs függvények l szignum (előjel) függvény (1/-1) l egységugrás/lépés függvény (0/1) l lineáris függvény](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-5.jpg)
Aktivációs függvények l szignum (előjel) függvény (1/-1) l egységugrás/lépés függvény (0/1) l lineáris függvény (y=x) l szigmoid függvény
![Perceptron l legegyszerűbb neuronháló 1 neuron l 1958 Frank Rosenblatt l cél bemeneteket Perceptron l legegyszerűbb neuronháló = 1 neuron l 1958. Frank Rosenblatt l cél: bemeneteket](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-6.jpg)
Perceptron l legegyszerűbb neuronháló = 1 neuron l 1958. Frank Rosenblatt l cél: bemeneteket osztályokba sorolni (jó/nem jó) l n db bemenet l n dimenziós teret oszt fel hipersíkok segítségével 2 területre ¡ 2 bemenet: 1 vonal mentén 2 terület ¡ 3 bemenet: 3 D test
![Perceptron l l l n db bemenet x 1 x 2 xn n Perceptron l l l n db bemenet: x 1, x 2, …, xn n](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-7.jpg)
Perceptron l l l n db bemenet: x 1, x 2, …, xn n db súly: w 1, w 2, …, wn küszöb: Θ kimenet: Y aktivációs függvény: egységugrás
![Tanulás l Súlyok módosítása az aktuális és kívánt kimenet közti különbség alapján felügyelt Tanulás l Súlyok módosítása ¡ az aktuális és kívánt kimenet közti különbség alapján (felügyelt](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-8.jpg)
Tanulás l Súlyok módosítása ¡ az aktuális és kívánt kimenet közti különbség alapján (felügyelt tanulás) ¡ kezdeti súlyok és a küszöb: véletlenszerűen l p-edik iterációkor ¡ Y(p): aktuális kimenet ¡ Yd(p): kívánt kimenet ¡ hiba: e(p)=Yd(p)-Y(p) ¡ Bemenetek súlyozott összege: X(p)
![Tanulás l Tanulási szabály új súly meghatározása l α pozitív konstans tanulási tényező Tanulás l Tanulási szabály – új súly meghatározása: l α: pozitív konstans (tanulási tényező)](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-9.jpg)
Tanulás l Tanulási szabály – új súly meghatározása: l α: pozitív konstans (tanulási tényező)
![Tanulási algoritmus 1 Inicializálás súlyok kezdeti értékeinek beállítása α θ megállapítása 2 Aktiválás Tanulási algoritmus 1. Inicializálás ¡ súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-10.jpg)
Tanulási algoritmus 1. Inicializálás ¡ súlyok kezdeti értékeinek beállítása, α, θ megállapítása 2. Aktiválás 3. Súlyok meghatározása 4. Ismétlés a 2. lépéstől
![Neurális szakértői rendszerek l Neurális háló és szabályok kombinációja l Szabályok automatikus létrehozása l Neurális szakértői rendszerek l Neurális háló és szabályok kombinációja l Szabályok automatikus létrehozása l](https://slidetodoc.com/presentation_image_h/952d4f6e855f2d8efa30a23e7095d5f7/image-11.jpg)
Neurális szakértői rendszerek l Neurális háló és szabályok kombinációja l Szabályok automatikus létrehozása l Tudás: a hálóban l 3 rétegű háló l Minden tulajdonság egy neuron