ニューラルネットワーク ことはじめ
DESCRIPTION
2014年11月度 AITC クラウド・テクノロジー活用部会 勉強会資料 ニューラルネットワーク ことはじめTRANSCRIPT
Copyright © 2014 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved.
ニューラルネットワークことはじめ
2014年11月17日
先端IT活用推進コンソーシアムクラウド・テクノロジー活用部会
勉強会資料
岡村 和英(株式会社テクリエ)
ニューラルネットワーク?
2
脳の仕組みをシミュレーションによって表現した数学モデル
3
脳の働きをコンピューターで
再現する
4
ニューロンと
シナプス
5
ニューロン(neuron)
6
神経細胞
7
細胞体(soma)
http://commons.wikimedia.org/wiki/File:Neuron_Hand-tuned.svg
樹状突起(dendrite)
核
シナプス(synapse)
軸索(axon)(細かいところは省略)
8
樹状突起から入力される信号が
ある一定のしきい値を超えると
急激な電位変化が生じる
(ニューロンの発火)
9
軸索から出力された信号が
シナプスを通じて接続された
別のニューロンに伝えられる
10
シナプスの信号伝達効率は
それぞれ異なる
11
モデル化してみる
12
人工ニューロン
13
しきい値
Θ
結合係数wi
入力 xi
出力O
ユニット
14
階層型ネットワーク
15
wkjxi Okwji
入力層 中間層 出力層
16
wkjxi Okwji
前向き演算
入力層 中間層 出力層
17
パターン識別程度であれば
3階層で実現可能
18
ネットワークに
学習させる
19
結合係数を調整することで
理想の出力を得る
20
全てのユニットの
しきい値は同じ
Θ=一定
21
発火したニューロンの出力は
入力量に関わらず常に一定
O=0or1
22
しきい値を半分に減らしたい(より敏感に反応)
Wiを2倍にする
(入力感度を高める)
23
出力を2倍にしたい(より強く反応)
Wjiを2倍にする
(出力先の入力感度を高める)
24
バックプロパゲーション(誤差逆伝搬法)
25
wkjxi Okwji
後向き演算
入力層 中間層 出力層
26
出力層で得られる誤差が
少なくなるように
結合係数を修正する
27
具体的な計算方法は
ここで説明するには
難しすぎるので割愛
28
複数の教師信号パターンを
繰り返すことで
全体の誤差を最小化できる
29
今回はここまで!
30
Copyright © 2014 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved.
http://aitc.jp
https://www.facebook.com/aitc.jp
ハルミンAITC非公式イメージキャラクター