NEURONSKE MREE 2 vebe dr Zoran evarac sevaracgmail

NEURONSKE MREŽE 2. vežbe dr Zoran Ševarac sevarac@gmail. com FON, 2016.

Kratak pregled Upoznavanje sa Neuroph frejmvorkom � Moduli � Arhitektura i glavne klase � Korišćenje za trening neuronskih mreža u Java kodu (MLP, Backpropagation, klasifikacija i prepoznavanje slika) � Dodatne pomoćne klase � Proširenje Neuroph frejmvorka � Teme za seminarski �

Šta vam je sve potrebno Java 8 (JDK) � http: //www. oracle. com/technetwork/javase/d ownloads/jdk 8 -downloads-2133151. html � Net. Beans 8. 1 ili veći (Maven i Git integrisani) � https: //netbeans. org/downloads/ �

Preuzimanje izvornog koda i kompajliranje projekta Potreban Vam je nalog na Github-u � Osnovne Git operacija (iz Net. Beans-a) : fork, clone, commit, push, pull � � Opciono forkujte projekat (kreirate kopiju na svom Git. Hub nalogu) � Klonirajte projekat (napravite lokalnu kopiju na svom računaru) � Kompajlirajte projekat

Moduli Core – glavne klase frejmvorka � Samples - razni primeri korišćenja neuronskih mreža u Java kodu � Image. Rec – pomoćne klase za prepoznavanje slika � Ocr – pomoćne klase za prepoznavanje slova � Contrib – razna proširenja čiji je ravoj u toku �

Arhitektura i glavne klase Neural. Network � Data. Set � Learning. Rule � Layer � Neuron � Input. Function � Transfer. Function � Connection � Weight �

Klase koje implementiraju algoritme za učenje Learning. Rule � Iterative. Learning � Supervised. Learning, Unsupervised. Learning � LMS, Error. Function � Perceptron. Learning, Delta. Rule, Sigmoid. Delta. Rule � Backpropagation � Momentum. Backpropagation � Resilient. Backpropagation �

Dijagram klasa

Trening neuronskih mreža u Java kodu - primeri Samples module � Korišćenje istrenirane mreže iz Neuroph. Studio-a �

Dodatne pomoćne klase i metode � Normalizer � Sampling � Weights. Randomizer � Data. Set. create. Train. And. Test. Set � Data. Set. sample � Cross. Validation � Evaluation � Za rad sa slikama �

Proširenje Neuroph frejmvorka � Nasleđivanje � � Neural. Network � Neuron, Layer � Learning. Rule, LMS

Teme za seminarski Primena Neuroph-a za neki problem klasifikacije � Trening za prepoznavanje slika (Cifar 10 dataset) � Razvoj dodatnih komponenti i alata za Neuroph � Razvoj varijacija Backpropagation algoritma � Razvoj / unapredjenje automatizovane procedure treninga i izveštavanja sa analizom osetljivosti na pojedine parametre �

Anketa Učestvujte u istraživanju i pomozite nam da unapredimo Neuroph � https: //docs. google. com/forms/d/e/1 FAIp. QLSe 62 skk. Dawif. E 3 c 9 p. Eq. W 45 GTQWHL 9 Hz. L 262 uzzm. X 8 xnqz. FZA/viewform �