Upload
lucian
View
50
Download
0
Embed Size (px)
DESCRIPTION
formalnie: Zastosowanie sieci neuronowych do wspomagania decyzji biznesowych. Dorota Cendrowska. nieformalnie: Wspomaganie decyzji nie zwalnia od decyzji. [email protected]. Plan wykładu. Zastosowania sieci neuronowych: klasyfikacja aproksymacja prognozowanie filtrowanie asocjacje - PowerPoint PPT Presentation
Citation preview
formalnie: Zastosowanie sieci neuronowych do wspomagania decyzji biznesowych
Dorota [email protected]
nieformalnie: Wspomaganie decyzji nie zwalnia od decyzji...
Plan wykaduZastosowania sieci neuronowych:klasyfikacjaaproksymacjaprognozowaniefiltrowanieasocjacjegrupowanie
zagadnienie klasyfikacjiwymagania:znane kategoriezbir uczcy (reprezentatywny)
decyzja do podjcia:kodowanie wyjciastosowane sieci:jednokierunkowe sieci neuronoweprzykad:klasyfikacja formacji giedowych
kodowanie wyjcia?
kodowanie wyjcia
kodowanie wyjciakodowanie jeden na jeden
kodowanie wyjciakodowanie binarne
zagadnienie klasyfikacji (przykad)wspomaganie decyzji biznesowych z wykorzystaniem sieci neuronowych wymaga m.in.:decyzji dotyczcej wyboru elementw analizy technicznejokrelenie okna czasowegostworzenie odpowiedniego zbioru uczcego
rdo rysunkw: http://www.newtrader.pl/kliny,953,techniczna.htmlhttp://bossa.pl/index.jsp?layout=2&page=0&news_cat_id=204
zagadnienie aproksymacjiklasyczna aproksymacja metodami numerycznymi napotyka na trudnoci, gdy:prbujemy przybliy funkcj znan tylko dla ograniczonej liczby ustalonych punktw (zbyt maa liczba punktw prbkowania)gwatowne zwroty wartoci funkcji midzy tymi punktami.
stosowane sieci:jednokierunkowe sieci neuronowe
zagadnienie prognozowaniaprognozowanie jako szczeglny rodzaj aproksymacji
stosowane sieci:jednokierunkowe sieci neuronowe
przykad:prognozowanie notowa giedowych
zagadnienie prognozowania (przykad)wspomaganie decyzji biznesowych z wykorzystaniem sieci neuronowych wymaga m.in.:decyzji dotyczcej wyboru szeregu czasowegoliczby punktw z przeszoci (opnie)liczby punktw z przyszoci (np. prognozowanie na podstawie danych miesicznych tego, co bdzie si dziao za rok)w przypadku notowa giedowych:okrelenie okna czasowegoeliminacja trendu
zagadnienie filtrowania danychSie Hopfieldasie jednowarstwowa ze sprzeniem zwrotnymsygna wejciowy dyskretny: -1, 1funkcja aktywacji:
uczenie jednoetapoweuruchamianie asynchroniczne
uczenie jednoetapowe:
Sie Hopfielda uczenie
Sie Hopfielda uczenieuczenie jednoetapowe:
lub (zapis macierzowy):
Sie Hopfielda uczenie (przykad)obrazy do zapamitania w sieci:
Sie Hopfielda uczenie (przykad)obrazy do zapamitania w sieci:
Sie Hopfielda uczenie (przykad)obrazy do zapamitania w sieci:
Sie Hopfielda uczenie (przykad)obrazy do zapamitania w sieci:
Sie Hopfielda uczenie (przykad)macierz wag: symetryczna zera na przektnej wagi neuronu (wiersz/kolumna)(przykad) wagi drugiego neuronu:
Sie Hopfielda uczenie (przykad)macierz wag: symetryczna zera na przektnej wagi neuronu (wiersz/kolumna)(przykad) wagi drugiego neuronu:
Sie Hopfielda uruchamianieuruchamianie wieloetapowe: synchroniczne (?) asynchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjcia
Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
Uruchamianie synchroniczne (NIE!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?
never ending story:(
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia
?
Co pamita sie Hopfielda?przynajmniej cz obrazw intencjonalnie zapamitanych+ negatywy tych obrazwskojarzenie: wzorzec najbliszy wg miary Hamminga
!
Co i ile pamita sie Hopfielda?przynajmniej cz obrazw intencjonalnie zapamitanych+ negatywy tych obrazwskojarzenie: wzorzec najbliszy wg miary Hammingapojemno pamici autoasocjacyjnej: P liczba zapamitanych obrazw z prawdopodobiestwem bliskim jednoci
Hopfield po co pamita?zastosowanie pamici autoasocjacyjnych: filtrowanie (odszumianie) uzupenianie
sie BAM (Kosko): asocjacjearchitektura: dwuwarstwowauczenie jednoetapoweuruchamianie synchronicznedwa tryby: wejcie: a, wyjcie: b wejcie: b, wyjcie: apojemno pamici:
sie BAM (Kosko): asocjacjeuczenie jednoetapowe:
sie BAM (Kosko): asocjacjeuczenie jednoetapowe:
BAM: uczenie (przykad)uczenie jednoetapowe:
BAM: uczenie (przykad)uczenie jednoetapowe:
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia
zagadnienie grupowania danychSie Kohonenasie jednowarstwowaneurony o cigej funkcji aktywacjiinterpretacja geometryczna wagzdolno grupowania danych na N gruppodobiestwo zdefiniowane jako: jak najmniejsze rnice poszczeglnych skadowych wejciowych w stosunku do (?)
Uruchamianie sieci Kohonenainterpretacja wag neuronu: charakterystyczny reprezentant grupy
dane wejciowe zostaj zaklasyfikowane do grupy reprezentowanej przez neuron o najwikszej wartoci wyjcia
Uruchamianie sieci Kohonenainterpretacja wag neuronu: charakterystyczny reprezentant grupy
dane wejciowe zostaj zaklasyfikowane do grupy reprezentowanej przez neuron o najwikszej wartoci wyjcia
Uruchamianie sieci Kohonenainterpretacja wag neuronu: charakterystyczny reprezentant grupy
dane wejciowe zostaj zaklasyfikowane do grupy reprezentowanej przez neuron o najwikszej wartoci wyjcia
Jak teoria mijaa si z prawd
Wagi sieci Kohonenawymagana jest normalizacja wag:
Uczenie sieci Kohonenaregua WINNER TAKES ALL korekcie wag podlega tylko neuron zwycizca
korekcie wag podlega nie tylko neuron zwycizca, ale rwnie neuronw nalecych do ssiedztwa
Sie Kohonena, problemywymagana znajomo maksymalnej liczby grupsie nie zna odpowiedzi NIE WIEM kady z obrazw wejciowych zostanie zaklasyfikowany do jednej z N grup
Sie Kohonena, zaskakujce (?) wasnociKto tak naprawd zwycia i skd to si bierze?
Sie Kohonena, zaskakujce (?) wasnociKto tak naprawd zwycia i skd to si bierze?
Sie Kohonena, zaskakujce (?) wasnociKto tak naprawd zwycia i skd to si bierze?
Sieci neuronowe (podsumowanie)architektura:jednowarstowe/wielowarstwowez/bez sprzenia zwrotnegouczenie z/bez nauczycielazastosowania:klasyfikacjaaproksymacja, prognozowaniefiltrowanie (auto/heteroasocjacja)grupowanie (detekcja regularnoci)
Nauka... jako konsekwencja decyzjiparadygmat naukowyrewolucja naukowa (Thomas Kuhn)
Nauka... jako konsekwencja decyzjiparadygmat naukowyrewolucja naukowa (Thomas Kuhn)
Nauka... jako konsekwencja decyzjiparadygmat naukowyrewolucja naukowa (Thomas Kuhn)
Nauka... jako konsekwencja decyzjiparadygmat naukowyrewolucja naukowa (Thomas Kuhn)
Nauka... jako konsekwencja decyzjiparadygmat naukowyrewolucja naukowa (Thomas Kuhn)
Problemy... rzeczywistoRozwizywanie problemw vs podejmowanie decyzji
Strategie podejmowania decyzji
Problemy... sztuczne sieci neuronoweRozwizywanie problemw vs podejmowanie decyzji
**********