İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Öğrenme nasıl gerçekleşiyor? Ağırlıklar hatayı en azlıyacak şekilde güncelleniyor Öğrenme.

Slides:



Advertisements
Benzer bir sunumlar
Unsupervised Learning (Kümeleme)
Advertisements

DİZİLER – I. Kısım YRD.DOÇ.DR. CİHAD DEMİRLİ
Selçuk Üniversitesi’nin Bilişime Gönül Veren Gençleri
Çok Katmanlı Yapay Sinir Ağı Modelleri
Fırat Fehmi Aygün Aybars Moralı Dokuz Eylül Üniversitesi
Alfabemizde 29 harf vardır.Her harfin büyüğü ve küçüğü vardır.
NEURAL NETWORK TOOLBOX VE UYGULAMALARI
YMT219: Veri Yapıları Ders Saatleri: Pazartesi 9:15-12, 17:30-20:15
BİYOİNFORMATİK NEDİR? BİYOİNFORMATİKTE KULLANILAN SINIFLAMA YÖNTEMLERİ
Erkan ULKER & Ahmet ARSLAN Selçuk Üniversitesi,
JAVA’DA DİZİLER Dr.Galip AYDIN.
YAPAY SİNİR AĞLARI VE BAYES SINIFLAYICI
Giriş Dikkat Altsistemi Yönlendirme Altsistemi Kısa Süreli Bellek Uzun Süreli Bellek Kontrol Birimi Kontrol Birimi F1 F2 ART nasıl çalışıyor? Mete Balcı,
İTÜ Telsiz Haberleşme Araştırma Laboratuvarı (THAL) SIU 2015, Malatya BAŞLIK ………… BAŞLIK DEVAMI…. DEVAMI…. YAZAR 1, YAZAR 2, …. E-POSTA: {yazar1,
MİKRODENETLEYİCİ TABANLI KABLOSUZ HABERLEŞME ve MULTIMEDYA KULLANIMI
SAYISAL DEVRELERE GİRİŞ ANALOG VE SAYISAL KAVRAMLARI (ANALOG AND DIGITAL) Sakarya Üniversitesi.
Yapay Sinir Ağları (YSA)
Yapay Zeka Desteği ile Parfüm Öneri Sistemi
Yapay Sinir Ağları (YSA)
Yapay Sinir Ağları (Artificial Neural Networks) Bir Yapay Sinir Ağı Tanımı (Alexander, Morton 1990) Yapay sinir ağı, basit işlemci ünitelerinden oluşmuş,
Enerji Sistemlerinde Akıllı Sistem Uygulamaları Akademik Yılı Bahar yarıyılı Doç.Dr. Raşit ATA
Davranış durum Eğitilen sistem Değer Atama Ortam Kritik Ödül r δ Eğiticisiz Öğrenme Pekiştirmeli Öğrenme (reinforcement learning) Öğrenme işleminin her.
BİYOMEDİKAL MÜHENDİSLİĞİNDE İLERİ KONULAR Neslihan Serap Şengör Oda no: 1107 Tel:
Elektrik Devrelerinin Temelleri Neslihan Serap Şengör Devreler ve Sistemler A.B.D. oda no:1107 tel no:
Elektrik Devrelerinin Temelleri Neslihan Serap Şengör Devreler ve Sistemler A.B.D. oda no:1107 tel no:
YAPAY SİNİR AĞLARI.
(Competitive Learning)
Bazı Sorular Gerçekten de belirlenen ağırlıklar ile istenilen kararlı denge noktalarına erişmemizi sağlayacak dinamik sistem yaratıldı mı? Eğer evet ise,
Hece Bilgisi Ağzımızın bir hareketiyle söylenen ses veya ses topluluğuna hece denir. Duyu kelimesi du – yu olmak üzere ağzın iki hareketiyle söylenmektedir.
Dinamik Yapay Sinir Ağı Modelleri Yinelemeli Ağlar (recurrent networks) İleri yolGeri besleme.
Bu durumda lineer sistemin çözümleri neler olabilir? Tüm bu durum portrelerinde ortak bir şey var, ne? S. Haykin, “Neural Networks- A Comprehensive Foundation”2.
Uyarlanabilir Yankılaşım Teorisi (Adaptive Resonance Theory- Grossberg ) A crucial metatheoretical.
Dinamik Yapay Sinir Ağı Modelleri Yinelemeli Ağlar (recurrent networks) İleri yolGeri besleme.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Hesaplamalı Sinirbilim Modeller farklı zamansal ve konumsal ölçeklerde süreçleri ele.
Biyomedikal Sistemlerin Modellenmesi ve Kontrolü Neslihan Serap Şengör İ.T.Ü. Elektronik ve Haberleşme Bölümü, oda no:1107 tel no:
Doğrusal Olmayan Devreler, Sistemler ve Kaos
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
Doğrusal Olmayan Devreler, Sistemler ve Kaos Neslihan Serap Şengör oda no:1107 tel no: Müştak Erhan Yalçın oda no:2304.
Bu derste ders notundan 57,58,59 ve 67,68,69,70,71 nolu sayfalar kullanılacak.
F(.) y[n+1] Giriş Vektörü Giriş-Çıkış Eşleme Fonksiyonu Çıkış Mahmut Meral, Lisans Bitirme Ödevi, 2003 Giriş – Çıkış Modeline göre Dinamik Sistem Tanıma.
BOĞAZLAYAN HALK EĞİTİM MERKEZİ INSTITUTUL POSTLICAL PHOENIX htttp:// NEWHAM COLLEGE OF FURTHER.
Hata Fonksiyonları Lojistik Fonksiyon ß ß Huber Fonksiyonu ß ß.
Ayrık Zaman Hopfield Ağı ile Çağrışımlı Bellek Tasarımı Kullanılan Hücre Modeli: McCulloch-Pitts Eksik birşey var!! Örüntüler: 1. Aşama: Belleğin Oluşturulması.
Wisconsin Kart Sıralama Testi WCST
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu hücrelerden oluşan bir başka ağ Elman Ağı Çıkış katmanı İçerik katmanı giriş Gizli.
Izhikevich Sinir Hücresinin davranışı Deneysel sonuçModelden elde edilen sonuç E.M. Izhikevich, “Dynamical Systems in Neuroscience”, MIT Press, 2007.
Doğrusal Olmayan Devreler, Sistemler ve Kaos
“Bilgi”’nin Gösterimi “Bilgi” İnsan veya Makina Yorumlama Öngörme Uygun yanıt verme Depolanmış enformasyon veya model Kurallar: (1) Benzer sınıflardan.
Geriye Yayılım Algoritması
Yapay sinir ağı, basit işlemci ünitelerinden oluşmuş, çok
DERS 5 PIC 16F84 PROGRAMLAMA.
Ayrık Zaman Hopfield Ağı ile Çağrışımlı Bellek Tasarımı
YAPAY SİNİR AĞLARININ YAPISI VE TEMEL ELEMANLARI
Geriye Yayılım Algoritması (Back-Propagation Algorithm)
Dinamik Yapay Sinir Ağı Modelleri
ART nasıl çalışıyor? Giriş Dikkat Altsistemi Yönlendirme Altsistemi F2
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
Sinir Hücresi McCulloch-Pitts x1 w1 x2 w2 v y wm xm wm+1 1 '
Hopfield Ağı Ayrık zaman Sürekli zaman
Banach Sabit Nokta Teoremi (Büzülme Teoremi)
Gen Mühendisliği ve Veteriner Hekimlikte Biyoteknoloji
S. Haykin, “Neural Networks- A Comprehensive Foundation”,
Banach Sabit Nokta Teoremi (Büzülme Teoremi)
Makine Öğrenmesinde Yeni Problemler
JAVA’DA DİZİLER. Özet  Dizi: belirli sayıda ve aynı veri türünden de ğ işkenlere aynı adla erişilmesini sa ğ layan bir yapıdır.  Dizilerde döngü işlemleri.
Bilgisayar Mühendisliğine Giriş
NİŞANTAŞI ÜNİVERSİTESİ
Yapay Zeka Nadir Can KAVKAS
NİŞANTAŞI ÜNİVERSİTESİ
Çok Katmanlı Algılayıcı-ÇKA (Multi-Layer Perceptron)
Sunum transkripti:

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Öğrenme nasıl gerçekleşiyor? Ağırlıklar hatayı en azlıyacak şekilde güncelleniyor Öğrenme metodu eğiticili öğrenme, öğrenme kuralı geriye yayılım algoritması Hatırlatma

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Parallel Dağılmış İşlemci (Parallel Distributed Processing) J.L. Mc Clelland, D.E. Rumelhart psikolog psikolog, matematikçi harf ve kelime algısına yönelik çok katmanlı yapı önerdiler, 1981 Parallel distributed processing: Explorations in the microstructure of cognition Rumelhart, D. E., McClelland, J. L. (1986) MIT Press: Cambrige, Mass Çok katmanlı yapılar, öğrenme kuralları, bilişsel psikoloji ve bilime ilişkin uygulamaları içeriyor.

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Parallel Dağılmış İşlemci (Parallel Distributed Processing) Geriye yayılım Learning representations by back-propagating errors David E. Rumelhart *, Geoffrey E. Hinton † & Ronald J. Williams * Nature, We describe a new learning procedure, back-propagation, for networks of neurone-like units. The procedure repeatedly adjusts the weights of the connections in the network so as to minimize a measure of the difference between the actual output vector of the net and the desired output vector. As a result of the weight adjustments, internal 'hidden' units which are not part of the input or output come to represent important features of the task domain, and the regularities in the task are captured by the interactions of these units. The ability to create useful new features distinguishes back-propagation from earlier, simpler methods such as the perceptron-convergence procedure 1.

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ T ve L harfini ayırt eden bir ağa veriler nasıl sunulur Bu harfleri ağa nasıl sunacağız?25X1 boyutlu vektörler ile

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu verilerin yanı sıra bozuk veriler de verelim....

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bir de test kümesi oluşturalım... Test kümesinde sağlam veriler ve eğitim kümesindekilerden farklı bozuk veriler olsun

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Başka Seçenekler yok mu? Neyi seçiyoruz? Kullanılan hücre modeli daha gerçekçi olabilir..... Bir sinir hücresi modeli: Hodgkin-Huxley Modeli

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Nasıl indirgenecek? InIn y1y1 y2y2 ymym y m-1 w1w1 w2w2 w m-1 wmwm - xnxn ynyn

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu hücrelerden oluşan ağ yapısı nasıl? İleri yolGeri besleme

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu hücrelerden oluşan bir ağ Hopfield Ağı

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Hopfield Ağı Kararlı denge noktalarında sonlanan dinamik bir yapı Her bir denge noktası bellekte saklanan bir örüntüye karşı düşürülebilir çağrışımlı bellek Bellekte saklanan örüntülere ait bilgi hücreler arasındaki ağırlıklarda saklı Öğrenme Hebb kuralı ile ancak ağırlıklar ardışıl güncelleme ile belirlenmiyor

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Çağrışımlı bellek....

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu hücrelerden oluşan bir başka ağ Elman Ağı Çıkış katmanı İçerik katmanı giriş Gizli katman

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ …..….. Gizli Katman x(k) İçerik Katmanı x c (k) Çıkış Katmanı y(k) Giriş Katmanı u(k)

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu ağ yapılarının genel adı: Yinelemeli ağlar (Recurrent Networks) Dinamik yapılar Çıkışlarda geçmişe ait verilerin de katkısı var Kaotik davranış da dahil çok farklı davranışları modellemek mümkün

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Elman Ağı ile zamanda yapı tanıma: kelime tanıma SessizSesliKesikliYüksekDönüşlüAkortlu b[101001] d[101101] g[101011] a[010011] i[010101] u[010111] Harf dizisine ilişkin gösterim: 6 özellik ile elde ediliyor Mahmut Meral Bitirme Ödevi, 2003 Elman ağı belirli bir kurala göre oluşturulmuş sembol dizisinin altında yatan kuralı öğrenebiliyor. Bu semboller dili oluşturan sesler olarak düşünülebilir.

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ U(n+1) U(n) önce üç sessiz harften biri rasgele olarak seçilip sesli harfler aşağıdaki kurala göre araya eklenmiştir. b -> ba d -> dii g -> guuu Örneğin rasgele seçilen sessiz harf dizisi dbgbddg… ise oluşan harf dizisi: diibaguuubadiidiiguuu… şeklindedir

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ

Elman Ağı ile kelime dizisi tanıma Elman ağı, ses sembollerinden (harflerden) oluşan kelimeler kullanılarak bir harf dizisinin içinden anlamlı harf dizilerini de (kelimeleri) ayırabilir Uygulamada on üç farklı harften oluşan altı farklı kelime kullanılmaktadır. Harfler beş bitlik vektörler olarak kodlanmıştır. Kelimelerin uzunluğu üç ile yedi harf arasında değişmektedir. Altı kelimeden rasgele 450 kelime uzunluklu bir dizi oluşturdu. Daha sonra kelime dizisi 2106 harf uzunluğunda bir harf dizisine çevrilerek beş bitlik vektörler şeklinde kodlandı

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ GirişÇıkış e00101l01000 l m01100 m a00001 a n01101 n a00001 a ğ00101 ğ ı00110 ı i00111 i l01000 l e00100 e z10010 z a00001 a m01100 m a00001 a n01101 n d00010 d a00001 a y10001 y a00001 a p01110 p ı00111 ı t01111 t a00001 a n01101 n ı00110 ı m01100 m a00001 a

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ

Kelimeler arası sınırlarda iki ve üzerinde hatalı bit oluşmaktadır. Bir nokta hariç ara noktalarda ise hatalı bit yoktur.. Sadece “zamanda” kelimesindeki “d” harfinin tahmininde bir hatalı bit oluşmaktadır. Bu durumun sebebi “elman” ve “zamanda” kelimelerinin her ikisinde de “man” dizisinin bulunmasıdır. ”zamanda” kelimesindeki “man” dizisinden sonra “d” gelmesi beklenirken, “elman” kelimesindeki “man” dizisinden sonra altı kelime içinden herhangi birinin ilk harfi (e,a,i,z,y,t) gelebilmektedir. Bu durum eğitimi olumsuz yönde etkileyerek hatanın yeterince azalmasını önlemektedir