Самостоятельная работа

При работе с нейронными сетями важнейшим является качество тех данных, на которых нейронная сеть обучается. Для проведения предобработки данных, а также первичной работе с данными предназначен этот материал. При подготовки материала использовалась литература: Поллак, Г.А. Современные технологии анализа информации: учебное пособие к практическим работам / Г.А. Поллак– Челябинск: Издательский центр ЮУрГУ, 2013...

В материале: рассмотрена модель простой нейронной сети, в текущем материале рассмотрим многослойную нейронную сеть для того, чтобы изучить отличия между дискретными и непрерывными данными при работе с многослойной нейронной сетью. Напомним, что дискретными данными называются данные, число которых конечно или бесконечно, но может быть подсчитано при помощи множества натуральных чисел (пронумерованы). Непрерывными данными называются данные, которые могут принимать любые значения в некотором интервале,...

Здесь рассмотрим возможность создания несложной нейронной сети в Deductor Studio. Рассмотрим задачу разделения обучающего множества, а также проиллюстрируем понятие линейно разделимой задачи. Линейно разделимой задачей называется такая задача классификации, когда классы можно разделить прямыми линиями (или гиперплоскостями, если пространство входов имеет размерность больше двух). Доказано, что однослойные нейронные сети способны производить только линейное разделение. Один нейрон способен производить разделение единственной прямой линией (гиперплоскостью)...

Язык программирования Python является одним из самых перспективных на сегодняшний день языков программирования за счёт тех возможностей, которые открываются перед разработчиками, занимающимися методами машинного обучения и нейронными сетями в частности. Начинать необходимо, конечно, с основ программирования на этом замечательном языке, постепенно усложняя алгоритмы и задачи. Для информационной поддержки создан цикл видео, который в наглядно форме позволит как ознакомиться с простейшими функциями...

В материале приведена вводная информация по глубокому обучению (Deep learning). Здесь перечислим и кратко охарактеризуем основные области применения глубокого обучения: Компьютерное зрение В компьютерном зрении ставится большое количество задач, связанных с обработкой изображений. Например (см. рисунок ниже), Многие из этих задач решаются, например, при коррекции поведения самоуправляемого автомобиля. Яркие примеры: Беспилотные автомобили Tesla и Яндекса. Также есть много задач, связанных с идентификацией и аутентификацией человека по фото или видео изображению...

В день числа Пи хотелось бы порадовать читателей графиком функции в виде ----барабанная дробь--- числа Пи. Для этого предлагается зайти в бесплатную вопросно-ответную систему Wolfram|Alpha и в командную строку ввести команду: pi curve В результате получите плоское изображение числа Пи, которое представляет собой область в плоскости хОу, задаваемую системой параметрических уравнений....

Цель Изучить технологию решения задачи кластеризации на примере кластеризации обучающихся по результатам выполнения лабораторных работ с использованием самоорганизующихся карт Кохонена (для обучения используем платформу Deductor Studio). Теория Самоорганизующиеся карты Кохонена – это одна из разновидностей нейросетевых алгоритмов. Этот алгоритм решает задачи кластеризации и проецирования многомерного пространства в пространство с более низкой размерностью. Он часто применяется для решения самых различных задач, от восстановления пропусков в данных до анализа и поиска закономерностей...

В материал сведены лекционные и видеоматериалы по разделу "Нейронные сети": Лекция "Нейронные сети: искусственный нейрон" - Видеолекция "Типы нейронных сетей и модель искусственного нейрона" - Лекция "История нейронных сетей" - Лекция "Классификация нейронных сетей" - Лекция "Нейронные сети: формирование обучающих выборок" - Видеолекция "Многослойные нейронные сети" - Лекция "Deep Learning: введение" - Лекция "Deep Learning: области применения глубокого обучения" - Видеолекция "Deep Learning:...

В основной части при изложении шагов по построению нечётких систем излагался алгоритм Мамдани: Здесь приведём кратко алгоритм Мамдани, а также несколько других альтернативных алгоритмов нечёткого логического вывода: Напомним шаги алгоритма Мамдани, который предложен в 1975 г. английским математиком Эбрагимом Мамдани. Мамдани разработал алгоритм, который был предложен в качестве метода для управления паровым двигателем. Алгоритм, основанный на нечетком логическом выводе, позволил избежать чрезмерно большого объема вычислений и был по достоинству оценен специалистами...

В этот материал сведены все имеющиеся ссылки на статьи в Дзен, содержащие примеры применения вопросно-ответной базы знаний WolframAlpha, находящейся в свободном (бесплатном) доступе по адресу http://www.wolframalpha.com/, для изучения понятий дисциплины "Дискретная математика". 1. Метод математической индукции в Wolframalpha: 2. Возможности WolframAlpha для логики высказываний: 3. Варианты заданий для реализации в логических симуляторах или среде программирования PC WorX: 4. Основные базисы и нормальные формы для логических формул: 5...

В этот материал сведены все имеющиеся ссылки на статьи в Дзен, содержащие примеры применения вопросно-ответной базы знаний WolframAlpha, находящейся в свободном (бесплатном) доступе по адресу http://www.wolframalpha.com/, для изучения понятий дисциплины "Теория нечётких множеств". 1. Wolframalpha: аналитическое задание функций принадлежности нечётких множеств (видеолекция): 2. Возможности Wolframalpha для визуализации графика нечёткого множества: 3. Построение функции принадлежности методом Саати: 4...