Eğiticisiz Öğrenme Hatırlatma Amaç: Veri kümesinin belirli özelliklerini, özniteliklerini sadece veri kümesinden yararlanarak belirlemek Vektör Kuantalama Veri Tanımlama Öbekleme gaos.org/~schleif/lvq_schema.png http://perception.csl.illinois.edu/gpca/introduction/clustering2.gif

Kazanan Hepsini Alır Hamming Ağı (Winner-Take-All) Amaç: Hamming mesafesini hesaplamak Verilenler: n boyutlu p tane vektör Ağ Yapısı: Ağırlıklar

Maxnet Amaç: En büyük giriş değerini bulmak Verilenler: n boyutlu vektör Ağ Yapısı: http://www.emeraldinsight.com/fig/1820190201030.png

Maxnet ile ilgili kimi sorular? Hamming Ağı +Maxnet Z-1 Maxnet Hamming Ağı Maxnet ile ilgili kimi sorular? Çok katmanlı algılayıcı , Perceptron gibi yapılardan en önemli farkı ne? Nöronların işlevi ne? Maxnet neden kazanan hepsini alır sınıfına ait? Maxnet en başta değindiğimiz temel ilkeye aykırı, o zaman neden Maxnet?

(Competitive Learning) Yarışmalı Öğrenme (Competitive Learning) Amaç: Verilen örüntüleri öbekleme Verilenler: n boyutlu p tane vektör Ağ Yapısı: Öğrenme Kuralı: Öğrenme kuralı amaca göre değişiyor; ancak kural nasıl konulursa konulsun yapılan iş: Kazananı bul Ağırlığını değiştir nöronlara ilişkin ağırlıklar Kazananı belirlemek için eğitim kümesindeki tüm veriler için hesaplanmalı Nasıl bir yapı?

Kazanan nöron’a ilişkin ağırlık Ağırlıkları Güncelleme: diğerleri Bir uygulama Vektör Kuantalama: Amaç: Sınıflandırma için belirlenen bölgelerin düzenlenmesi Özdenetimli öznitelik belirleyici Vektör Kuantalama Eğitici Sınıflar http://www.dma.fi.upm.es/mabellanas/tfcs/fvd/images/voronoi.gif

Verilenler: Voroni vektörleri, giriş vektörleri Voroni vektörü ‘ye ilişkin sınıf girişinin ait olduğu sınıf Öğrenme Kuralı: Kazananı bul Ağırlıkları güncelle Ağırlıkları Güncelleme: ve ‘ye en yakın Voroni vektörü ise ve ‘ye en yakın Voroni vektörü ise Diğer Voroni vektörleri aynı kalıyor

Yarışmalı Öğrenme Örnek 1: Adım 1: Birinci örüntü için nöronların ağırlıkları Adım 1: Birinci örüntü için Kazananı bul kim kime benziyor onu belirlemek gerek Kazanan hangisi? 3. nöron

3. nöronun ağırlıklarını güncelle diğerleri Adım 2: İkinci örüntü için 1. nöronun ağırlıklarını güncelle 1. nöron Kazanan hangisi?

Adım 3: Üçüncü örüntü için 2. nöron kazanıyor Adım 4: Dördüncü örüntü için 1. nöron kazanıyor Adım 5: Beşinci örüntü için 1. nöron kazanıyor

Adım 6: Altıncı örüntü için 3. nöron kazanıyor Adım 7: Birinci örüntü için 3. nöron kazanıyor Adım 8: İkinci örüntü için 1. nöron kazanıyor

Adım 9: Üçüncü örüntü için 2. nöron kazanıyor Adım 10: Dördüncü örüntü için 1. nöron kazanıyor Adım 11: Beşinci örüntü için 1. nöron kazanıyor

Adım 12: Altıncı örüntü için 3. nöron kazanıyor

Öğrenme hızının etkisi Yavaş ama salınım az Hızlı ama salınım çok Yakınsamıyor Metrik seçimi sonuçları değiştiriyor Taksi şöförü metriği seçilse idi: 2. örnek için 1. nöron yerine 2. nöron değişecekti İlk koşulların seçimi de sonuçları değiştiriyor 1. nöron 2,3,4 ve 5 2. nöron 1 3. nöron 6 örüntüleri için öbek oluşturuyor 1. nöron kazanıyor 2. ve 3. nöron kazanamıyor 3 öbek değil 1 öbek oluşuyor Ne zaman durdurulacak? Öbek merkezlerinde değişim olmamaya başladığında

Vektör Kuantalama Örnek 2: Adım 1: Birinci örüntü için S1 S2 Adım 1: Birinci örüntü için 3. nöron kazanıyor 1. örüntü birinci sınıfa ait, kazanan 3. nöron ise ikinci sınıfı temsil ediyor 3. nöronun ağırlıklarını güncelle ve ‘ye en yakın Voroni vektörü ise