машинное обучение - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему машинное обучение. Доклад-сообщение содержит 30 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Машинное обучение

Слайд 2

Описание слайда:

Понятие изучает методы построения алгоритмов, способных обучаться. Различают два типа обучения. Обучение по прецедентам, или индуктивное обучение, основано на выявлении закономерностей в эмпирических данных. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами. Машинное обучение находится на стыке математической статистики, методов оптимизации и дискретной математики, но имеет также и собственную специфику, связанную с проблемами вычислительной эффективности и переобучения. Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации, интеллектуальным анализом данных

Слайд 3

Описание слайда:

Способы Обучение с учителем - для каждого прецедента задаётся пара «ситуация, требуемое решение»: Метод коррекции ошибки Метод обратного распространения ошибки Обучение без учителя - для каждого прецедента задаётся только «ситуация», требуется сгруппировать объекты в кластеры, используя данные о попарном сходстве объектов, и/или понизить размерность данных: Метод ближайших соседей Обучение с подкреплением - для каждого прецедента имеется пара «ситуация, принятое решение»: Генетические алгоритмы Альфа-система подкрепления Гамма-система подкрепления

Слайд 4

Описание слайда:

Активное обучение - отличается тем, что обучаемый алгоритм имеет возможность самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ: Обучение с частичным привлечением учителя (semi-supervised learning) - для части прецедентов задается пара «ситуация, требуемое решение», а для части - только «ситуация» Трансдуктивное обучение (transduction) - обучение с частичным привлечением учителя, когда прогноз предполагается делать только для прецедентов из тестовой выборки Многозадачное обучение (multi-task learning) - одновременное обучение группе взаимосвязанных задач, для каждой из которых задаются свои пары «ситуация, требуемое решение» Многовариантное обучение (multi-instant learning) - обучение, когда прецеденты могут быть объединены в группы, в каждой из которых для всех прецедентов имеется «ситуация», но только для одного из них (причем, неизвестно какого) имеется пара «ситуация, требуемое решение»

Слайд 5

Описание слайда:

Задачи, решаемые обучением Классификация как правило, выполняется с помощью обучения с учителем на этапе собственно обучения. Кластеризация как правило, выполняется с помощью обучения без учителя Регрессия как правило, выполняется с помощью обучения с учителем на этапе тестирования, является частным случаем задач прогнозирования. Понижение размерности данных и их визуализация выполняется с помощью обучения без учителя Восстановление плотности распределения вероятности по набору данных Одноклассовая классификация и выявление новизны Построение ранговых зависимостей

Слайд 6

Описание слайда:

Практическое применение Распознавание речи Распознавание изображений Распознавание рукописного ввода Техническая диагностика Медицинская диагностика Прогнозирование временных рядов Биоинформатика Обнаружение мошенничества Обнаружение спама Категоризация документов Биржевой технический анализ Финансовый надзор Кредитный скоринг Предсказание ухода клиентов Хемоинформатика Обучение ранжированию в информационном поиске

Слайд 7

Описание слайда:

Типы входных данных Признаковое описание — наиболее распространённый случай. Каждый объект описывается набором своих характеристик, называемых признаками. Признаки могут быть числовыми или нечисловыми. Матрица расстояний между объектами. Каждый объект описывается расстояниями до всех остальных объектов обучающей выборки. С этим типом входных данных работают немногие методы, в частности, метод ближайших соседей, метод парзеновского окна, метод потенциальных функций. Временной ряд или сигнал представляет собой последовательность измерений во времени. Каждое измерение может представляться числом, вектором, а в общем случае — признаковым описанием исследуемого объекта в данный момент времени. Изображение или видеоряд. Встречаются и более сложные случаи, когда входные данные представляются в виде графов, текстов, результатов запросов к базе данных, и т. д. Как правило, они приводятся к первому или второму случаю путём предварительной обработки данных и извлечения признаков.

Слайд 8

Описание слайда:

Типы откликов Когда множество возможных ответов бесконечно (ответы являются действительными числами или векторами), говорят о задачах регрессии и аппроксимации ; Когда множество возможных ответов конечно, говорят о задачах классификации и распознавания образов; Когда ответы характеризуют будущие поведение процесса или явления, говорят о задачах прогнозирования.

Слайд 9

Описание слайда:

Обучение с учителем Испытуемая система принудительно обучается с помощью примеров «стимул-реакция». Между входами и эталонными выходами (стимул-реакция) может существовать некоторая зависимость, но она не известна. Известна только конечная совокупность прецедентов — пар «стимул-реакция», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость (построить модель отношений стимул-реакция, пригодных для прогнозирования), то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов, так же как и в обучении на примерах может вводится функционал качества.

Слайд 10

Описание слайда:

Вырожденные виды «учителей» Система подкрепления с управлением по реакции (R — управляемая система) — характеризуется, тем что информационный канал от внешней среды к системе подкрепления не функционирует. Данная система несмотря на наличие системы управления относится к спонтанному обучению, так как испытуемая система обучается автономно, под действием лишь своих выходных сигналов независимо от их «правильности». При таком методе обучения для управления изменением состояния памяти не требуется никакой внешней информации; Система подкрепления с управлением по стимулам (S — управляемая система) — характеризуется, тем что информационный канал от испытываемой системы к системе подкрепления не функционирует. Несмотря на не функционирующий канал от выходов испытываемой системы относится к обучению с учителем, так как в этом случае система подкрепления (учитель) заставляет испытываемую систему вырабатывать реакции согласно определенному правилу, хотя и не принимается во внимание наличие истиных реакций испытываемой системы.

Слайд 11

Описание слайда:

Обучение без учителя Испытуемая система спонтанно обучается выполнять поставленную задачу, без вмешательства со стороны экспериментатора. Как правило, это пригодно только для задач, в которых известны описания множества объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, существующие между объектами.

Слайд 12

Описание слайда:

Обучение с подкреплением Испытуемая система (агент) обучается, взаимодействуя с некоторой средой. Откликом среды (а не специальной системы управления подкреплением, как это происходит в обучении с учителем) на принятые решения являются сигналы подкрепления, поэтому такое обучение является частным случаем обучения с учителем, но учителем является среда или ее модель. Также нужно иметь в виду, что некоторые правила подкрепления базируются на неявных учителях, например, в случае ИНС, на одновременной активности формальных нейронов, из-за чего их можно отнести к обучению без учителя.

Слайд 13

Описание слайда:

Альфа-система подкрепления система подкрепления, при которой веса всех активных связей cij, которые оканчиваются на некотором элементе uj, изменяются на одинаковую величину Δvij(t) = η, или с постоянной скоростью в течение всего времени действия подкрепления, причем веса неактивных связей за это время не изменяются. Перцептрон, в котором используется α-система подкрепления, называется α-перцептроном. Подкрепление называется дискретным, если величина изменения веса является фиксированной, и непрерывным, если эта величина может принимать произвольное значение.

Слайд 14

Описание слайда:

Гамма-система подкрепления такое правило изменения весовых коэффициентов некоторого элемента, при котором веса всех активных связей сначала изменяются на равную величину, а затем из их всех весов связей вычитается другая величина, равная полному изменению весов всех активных связей, деленному на число всех связей. Эта система обладает свойством консервативности относительно весов, так как у нее полная сумма весов всех связей не может ни возрастать, ни убывать.

Слайд 15

Описание слайда:

Машинное обучение Искусственные нейронные сети

Слайд 16

Описание слайда:

Искусственные нейронные сети математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.

Слайд 17

Описание слайда:

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Слайд 18

Описание слайда:

С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Слайд 19

Описание слайда:

Классификация Сети прямого распространения (Feedforward) Многослойный перцептрон Сети Ворда Рекуррентные нейронные сети‎ Сеть Хопфилда Сеть Хемминга Сеть Коско Радиально-базисные функции (RBF) Самоорганизующаяся карта Кохонена (SOM)

Слайд 20

Описание слайда:

Сети свертки (LeNet-5, неокогнитрон) Адаптивно-резонансная теория

Слайд 21

Описание слайда:

Структура нейросети

Слайд 22

Описание слайда:

Формальный нейрон Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента — линейной комбинации всех входных сигналов. Данную функцию называют функцией активации или функцией срабатывания, передаточной функцией. Полученный результат посылается на единственный выход.

Слайд 23

Описание слайда:

Классификация Входные нейроны — принимают исходный вектор, кодирующий входной сигнал. Как правило, эти нейроны не выполняют вычислительных операций, а просто передают полученный входной сигнал на выход, возможно, усилив или ослабив его; Выходные нейроны — представляют из себя выходы сети. В выходных нейронах могут производиться какие-либо вычислительные операции; Промежуточные нейроны — выполняют основные вычислительные операции

Слайд 24

Описание слайда:

Структура нейрона

Слайд 25

Описание слайда:

Основные типы передаточных функций Линейная Сигнал на выходе нейрона линейно связан со взвешенной суммой сигналов на его входе. f(x) = tx, где t - параметр функции

Слайд 26

Описание слайда:

шаговая (линейная функция с насыщением) Недостатками шаговой и полулинейной активационных функций относительно линейной можно назвать то, что они не являются дифференцируемыми на всей числовой оси, а значит не могут быть использованы при обучении по некоторым алгоритмам.

Слайд 27

Описание слайда:

Пороговая (функция Хевисайда) До тех пор пока взвешенный сигнал на входе нейрона не достигает некоторого уровня T — сигнал на выходе равен нулю. Как только сигнал на входе нейрона превышает указанный уровень — выходной сигнал скачкообразно изменяется на единицу.

Слайд 28

Описание слайда:

Сигмоидальная

Слайд 29

Описание слайда:

Сигмоидальная Логистическая Здесь t — это параметр функции, определяющий её крутизну. Когда t стремится к бесконечности, функция вырождается в пороговую. При t = 0 сигмоида вырождается в постоянную функцию со значением 0,5. Область значений данной функции находится в интервале (0,1). Важным достоинством этой функции является простота её производной, что облегчает использование этой функции при обучении сети по алгоритму обратного распространения.