TheSlide.ru

Что такое нейронные сети?

Содержание

1. Что такое нейронные сети?
2. Какое место занимают нейросети в Computer Science ?
3. Нейронные сети принадлежат к классу
4. Биологический нейрон
5. Y = φ(∑wixi + b)? Формула:
6. Принципы организации и работы нейронных сетейРаздел 10.4А Искусственный интеллект и технология Blockchain (блокчейн)
7. ЛинейнаяВыходы сети являются линейными комбинациями входовПороговая Эта функция
8. Сигмоида Долгое время считалась функцией, лучше всего описывающей работу нейрона.дифференцируемаимеет порог насыщенияTanhдифференцируемацентрованаимеет порог насыщения
9. ReLU (rectified linear unit) В настоящее время самая
10. Слой - совокупность нейронов сети, объединяемых по
11. Обучение нейросетиНаиболее распространенный метод обучения нейронной сети
12. Обучающая выборка Выборка – набор размеченных
13. Слайд 13
14. Сверточные нейронные сети Сверточная нейронная сеть (CNN) — специальная
15. На рисунке показаны куски изображения, которые больше
16. CNN для распознавания звуков и текстов
17. Рекуррентные нейросетиРекуррентная нейронная сеть (RNN) — архитектура нейронных сетей, где связи между элементами образуют направленный цикл
18. Все биологической нейронной сети – рекуррентныеRNN моделирует
19. Скачать презентанцию

Какое место занимают нейросети в Computer Science ?

Главная
Разное
Что такое нейронные сети?

Слайды и текст этой презентации

Слайд 1Что такое нейронные сети?
Искусственная нейронная сеть —математическая модель, построенная по

принципу организации и функционирования биологических нейронных сетей.

Что такое нейронные сети? Искусственная нейронная сеть —математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей.

Слайд 2Какое место занимают нейросети в Computer Science ?

Какое место занимают нейросети в Computer Science ?

Слайд 3 Нейронные сети принадлежат к классу алгоритмов, обучающихся с

учителем (supervised learning), и решает типовые задачи этого класса:

Нейронные сети принадлежат к классу алгоритмов, обучающихся с учителем (supervised learning), и решает типовые задачи

Слайд 4Биологический нейрон

Биологический нейрон

Слайд 5 Y = φ(∑wixi + b)
? Формула:

Y = φ(∑wixi + b)? Формула:

Слайд 6Принципы организации и работы нейронных сетей
Раздел 10.4А Искусственный интеллект и

технология Blockchain (блокчейн)

Принципы организации и работы нейронных сетейРаздел 10.4А Искусственный интеллект и технология Blockchain (блокчейн)

Слайд 7Линейная
Выходы сети являются линейными комбинациями входов

Пороговая
Эта функция использовалась в оригинальной

модели ИН.
имеет центрированный аналог (sign x)
не дифференцируема
Функции активации

ЛинейнаяВыходы сети являются линейными комбинациями входовПороговая Эта функция использовалась в оригинальной модели ИН.имеет центрированный аналог (sign x)не дифференцируемаФункции

Слайд 8Сигмоида

Долгое время считалась функцией, лучше всего описывающей работу нейрона.
дифференцируема
имеет порог

насыщения

Tanh

дифференцируема
центрована
имеет порог насыщения

Сигмоида Долгое время считалась функцией, лучше всего описывающей работу нейрона.дифференцируемаимеет порог насыщенияTanhдифференцируемацентрованаимеет порог насыщения

Слайд 9ReLU (rectified linear unit)

В настоящее время самая широко используемая функция

активации в силу своей простоты.
Также недавние исследования показывают, что она

правильнее описывает работу биологических нейронов

дифференцируема
не имеет порога насыщения
быстро вычисляется
не центрована
чувствительна к инициализации

ReLU (rectified linear unit) В настоящее время самая широко используемая функция активации в силу своей простоты. Также недавние исследования

Слайд 10Слой - совокупность нейронов сети, объединяемых по особенностям их функционирования.

По виду связи между слоями сети делят на
Сети прямого распространения

Рекуррентные сети (RNN)

Слой - совокупность нейронов сети, объединяемых по особенностям их функционирования. По виду связи между слоями сети делят

Слайд 11Обучение нейросети
Наиболее распространенный метод обучения нейронной сети – метод обратного

распространения ошибки.
Он был впервые описан в 1974 г.

А.И. Галушкиным.

Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы.

Обучение нейросетиНаиболее распространенный метод обучения нейронной сети – метод обратного распространения ошибки. Он был впервые описан

Слайд 12Обучающая выборка
Выборка – набор размеченных входных векторов (т.е.

таких, для которых известен правильный ответ), по которому производится настройка

сети.

Обучающая выборка Выборка – набор размеченных входных векторов (т.е. таких, для которых известен правильный ответ), по

Слайд 13

Слайд 14Сверточные нейронные сети
Сверточная нейронная сеть (CNN) — специальная архитектура нейронных сетей,

предложенная Яном Лекуном в 1988 году и нацеленная на эффективное

распознавание изображений. Идея заключается в чередовании сверточных слоев и субдискретизирующих слоев.

Сверточные нейронные сети Сверточная нейронная сеть (CNN) — специальная архитектура нейронных сетей, предложенная Яном Лекуном в 1988 году и

Слайд 15 На рисунке показаны куски изображения, которые больше всего были ответственны

за то, чтобы активировать нейрон на первом слое.

На рисунке показаны куски изображения, которые больше всего были ответственны за то, чтобы активировать нейрон на первом

Слайд 16CNN для распознавания звуков и текстов

CNN для распознавания звуков и текстов

Слайд 17Рекуррентные нейросети
Рекуррентная нейронная сеть (RNN) — архитектура нейронных сетей, где

связи между элементами образуют направленный цикл

Рекуррентные нейросетиРекуррентная нейронная сеть (RNN) — архитектура нейронных сетей, где связи между элементами образуют направленный цикл

Слайд 18Все биологической нейронной сети – рекуррентные
RNN моделирует динамическую систему
Универсальная

теорема аппроксимации говорит, что с помощью RNN можно смоделировать поведение

любой динамической системы
Существует много алгоритмов обучения RNN без явного лидера.

Все биологической нейронной сети – рекуррентныеRNN моделирует динамическую систему Универсальная теорема аппроксимации говорит, что с помощью RNN

Скачать презентацию

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно хранить и делиться своими презентациями с другими пользователями.

Для правообладателей