curs2
DESCRIPTION
CursTRANSCRIPT
-
Retele neuronale - curs 1*Retele neuronale
Calcul neuronal (Neural Computing)
Calcul evolutiv (Evolutionary Computing)
Calcul fuzzy (Fuzzy Computing)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Tipuri de problemeRezolvarea problemelor dificileProbleme bine-puse:Exista un model formal asociat problemeiExista un algoritm de rezolvare
Exemplu: clasificarea angajatilor unei companii in doua clase in functie de venitul acestora (venit mai mic respectiv mai mare decat un prag dat)Probleme rau-puse:Dificil de formalizatSe cunosc doar exemple nu si un model general Metodele clasice nu pot fi aplicateExemplu: clasificarea angajatilor unei companii in doua clase in functie de credibilitatea privind acordarea unui imprumut bancar
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Tipuri de problemeProbleme bine puse Algoritm = descriere a metodeiDate de intrareRezultatIf venit>1000 then Clasa 1 else Clasa 2VenitClasa 1 sau Clasa 2
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Tipuri de problemeProbleme rau puseSistem adaptiv (incorporeaza un modul de invatare/evolutie)Date de intrareRezultateModelul este extras de catre sistemul adaptiv pe baza exemplelorVenitClasa 1 sau Clasa 2Exemple: (900, Clasa1), (500, Clasa 1),(5000,Clasa 2), (1100, Clasa2)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Tipuri de problemeMetodele de rezolvare a problemelor rau-puse se caracterizeaza prin:
Abilitatea de a extrage modele din exempleAdaptabilitate la probleme cu caracter dinamicRobustete la erori (zgomot) in datele de intrareCapacitatea de a furniza rezultate intr-un interval rezonabil de timp (chiar daca rezultatele sunt aproximative dar acceptabile dpdv practiv)
Domeniul care se ocupa cu dezvoltarea unor astfel de tehnici este denumit computational intelligence sau soft computing
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Tipuri de problemeComputational Intelligence
is a branch of the study of artificial intelligence; it aims to use learning, adaptive, or evolutionary algorithms to create programs that are, in some sense, intelligent. [Wikipedia]Terminologie:Calcul inteligent (?)Inteligenta computationala (?)Calcul tolerant (?)Soft Computingis a collection of new techniques in computer science, especially in artificial intelligence; unlike hard computing, it is tolerant of imprecision, uncertainty and partial truth. In effect, the role model for soft computing is the human mind. The guiding principle of soft computing is: exploit the tolerance for imprecision, uncertainty and partial truth to achieve tractability, robustness and low solution cost. [Wikipedia]
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Scopul cursuluiDirectii
Calcul neuronal
Calcul evolutiv
Calcul fuzzyInstrumente
Retele neuronale artificiale
Algoritmi evolutivi
Sisteme fuzzy Sursa de inspiratie
Creierul uman
Evolutia naturala
Rationament uman si limbaj natural
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Scopul cursuluiCalcul natural = metode de rezolvare a problemelor inspirate de naturaCalcul neuronalCalcul evolutiv Calcul fuzzy Calcul ADN Calcul cuanticCalcul membranar
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul neuronal
Principii de baza
Modelul biologic
Retele neuronale artificiale
Aplicabilitate
Scurt istoric
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Principii de bazaDpdv functional: retea neuronala artificiala = sistem adaptiv capabil sa furnizeze raspunsuri pentru o problema dupa ce a fost antrenata pentru probleme similareData de intrareRaspunsExempleRetea neuronala =Sistem adaptiv (antrenabil)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Principii de bazaDpdv structural:
Retea neuronala = ansamblu de unitati functionale (neuroni) interconectate
Unitate functionala = model foarte simplificat al neuronului biologic care efectueaza prelucrari simple asupra unor date de intrare
Retea neuronala artificiala = model foarte simplificat la creierului
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Principii de bazaComportarea complexa a unei RN emerge din interactiunea si aplicarea in paralel a multor reguli simple
Abordarea bottom-up este complementara abordarii top down specifica inteligentei artificiale clasice
Abilitatea de invatare deriva din adaptabilitatea unor parametri asociati unitatilor functionale (acesti parametri sunt ajustati in procesul de invatare)
Prelucrarile sunt preponderent numerice spre deosebire de abordarile din inteligenta artificiala clasica care acopera si sfera simbolica
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul neuronal
Principii de baza
Modelul biologic
Retele neuronale artificiale
Aplicabilitate
Scurt istoric
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Modelul biologicCreier uman cca 1011 neuroni si 1015 interconexiuni (sinapse)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Modelul biologicCum lucreaza un neuron ?Primeste semnale de intrare prin dendrite
Semnalele de intrare genereaza diferente de potential pe membrana celulara
Diferenta de potential se propaga pana la conul axonal
De-a lungul axonului este transmis un tren de impulsuri electrice
Impulsurile electrice ajunse la terminatiile axonului provoaca eliberarea unor neurotransmitatori in spatiul sinaptic transfer de informatie catre dendritele altui neuron
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Modelul biologicCalculator (vonNeumann) Unul sau cateva procesoare de viteza mare (timp raspuns: ns) si cu putere mare de calcul
Una sau cateva magistrale de comunicare de viteza mare
Memorie accesata prin adresa
Componenta ce incorporeaza cunoasterea este separata de cea destinata efectuarii calculelor
Adaptabilitate redusaCreier uman Un numar mare (1011) de unitati functionale de viteza relativ mica (ms) cu putere de calcul limitata
Numar foarte mare (1015) de conexiuni de viteza limitata
Memorie cu caracter asociativ
Cunostintele sunt stocate in sinapse
Adaptarea se realizeaza prin modificarea conexiunilor
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul neuronal
Principii de baza
Modelul biologic
Retele neuronale artificiale
Aplicabilitate
Scurt istoric
Retele neuronale - curs 1
-
Reele neurale - Introducere(Artificial Neural Networks)RN (ANN) - multime de elemente de prelucrare neliniara care opereaza in paralel si care sunt legate intre ele in structuri ce seamana cu retelele neuronale biologice.Model inspirat din retelele neuronale din creierul uman.retele neurale, modele conexioniste (nume dat mai ales structurilor aparute recent), sisteme neuromorfice, modele de calcul distribuit.*
-
CaracteristiciSunt formate dintr-un numar mare de elemente de prelucrare simple, identice; din punct de vedere functional aceste elemente sunt asemanatoare neuronilor din creierul umanElementele de prelucrare sunt conectate prin legaturi; fiecare legatura are asociata o pondere ce codifica cunostintele retelei neuronaleControlul functionarii este paralel si distribuit Sunt capabile sa invete prin modificarea automata a ponderilor; pot realiza deci achizitia automata a cunostintelor.*
-
De ce ANN?Capacitate de invatare si adaptare din exempleAuto-organizare: o RN poate sa-si creeze propria organizare sau reprezentare a informatiei primita pe parcursul invatariiOperare in timp real: odata invatata functioneaza repede + prelucrari in paralelGrad mare de robustete si toleranta la defecte: defectarea unui anumit numar de noduri sau legaturi nu afecteaza, in general, comportarea si performanta retelei.
*
-
Scurt istoric1943 - McCulloch, Pitts - model simplu (binary devices with fixed thresholds)1960 - Rosenblatt- perceptron - (feed-forward ANN)- enunta si demonstreaza teorema de convergenta a perceptronului1960 - Widrow, Hoff - ADALINE (ADAptive LInear Element)- dispozitiv electronic analogic- folosea ca regula de invatare Least-Mean-Squares (LMS)1969 - Minsky, Papert - au demonstrat limitarile perceptronului1970 - Retele neurale ca memorii adresabile prin continut*
-
Scurt istoric (cont.)1970 - RN s-au cam abandonat1980 - Cercetari reluate1982 - Hopfield - functia de energie - a pus in evidenta notiunea de memorie ca o multime de atractori dinamici stabili1986 - Rumelhart - perceptroni multinivel, retele backpropagation (recurrent networks) 1988 - Grossberg si Carpenter in 1988 - algoritmi de rezonanta - retele ART (Adaptive Resonance Theory)1988 - Anderson si Kohonen (independent) - tehnici asociative*
-
Modelul neuronului artificialMcCulloch, Pitts (1943) au propus un model simplu al neuronului, cu intrari binare*
-
Modelul neuronului artificial (cont.)y = f (i=1,nwixi - )y = f (i=0,nwixi)wi reprezinta intensitatea legaturii (conexiunii) de la neuronul cu iesirea xiDaca fi > 0 excitareDaca fi < 0 inhibareDaca fi = 0 nu exista sinapsa intre neuroni - valoarea de prag peste care neuronul se activeaza X0= -1f(x) = 1 - daca x 0 0 - in caz contrar*
-
Reele neurale artificialeModelul unei ANN este caracterizat de:Topologia reteleiCaracteristicile elementelor de prelucrare (noduri / neuroni)Regulile de actualizare / modificare (invatare) a ponderilorSensul de propagare a semnalelor de activare prin retea
*
-
Caracteristici ANNTipul de invatare: supervizat, nesupervizat, fara invatareSensul de propagare a semnalelorFeed-forward networks - un singur sensFeedback networks - in ambele sensuri (dinamice, numite si recurente)Regulile de actualizare a ponderilor (invatare)Mapare asociativa: reteaua invata sa produca anumite valori ale intrarilor pentru sabloane particulare aplicate la intrare (regasire sabloane distorsionate, memorie adresabila prin continut)Detectarea regularitatilor: reteaua invata sa raspunda anumitor propietati particulare ale sabloanelor de intrare; fiecare iesire are o anumita semnificatie
*
-
Caracteristici ANN (cont.)Numarul de straturi sau niveluriTipul intrarilor si al iesirilor: intreg, realTipul functiei de transfer (activare)limitator logica nivel sigmoid
*t = i=1,nwixi -
f(t) = 1 / (1 + e-t)f(t) = (et - e-t) / (et + e-t)fffttt111
-
Caracteristici ANN (cont.)Functia activare - sigmoid
T temperatur absolut (grade Kelvin).KB = 1,38 * 10-16 erg/K, constanta lui Boltzmann.
*
-
2.2 Exemple*
-
Exemple (cont.)*
-
Exemple (cont.) - Recunoasterea sabloanelor*Retea antrenata sa recunoasca literele T si H
-
Exemple (cont.) - Recunoasterea sabloanelor*AntrenareFunctionare
-
Exemple (cont.)*O retea poate arata si asa!
-
RN de clasificare cu sabloane fixe - taxonomie*
-
Retele neuronale - curs 1*Retele neuronale artificiale RNA = unitati functionale interconectate cu parametri ajustabili
Unitate functionala: mai multe intrari, o singura iesireintrariiesirePonderi numerice atasate conexiunilorOperatii specifice unei unitati functionale (ex.)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Retele neuronale artificialeStructura RNA
Arhitectura (graf orientat etichetat)
Functionare (functii vectoriale, relatii de recurenta, ecuatii diferentiale)
Invatare/antrenare (algoritm de ajustare a parametrilor ajustabili)Exemplu: arhitectura pe nivele (feedforward) Relatie de functionare:
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Retele neuronale artificialeExemple de arhitecturi:Arhitectura pe niveleArhitectura recurentaArhitectura celulara
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Retele neuronale artificialeInvatare = extragerea modelului corespunzator problemei pornind de la exemple
= determinarea parametrilor retelei
Strategii de invatare:
Supervizata (i.e. invatare cu instructor, set de antrenare ce contine date de intrare si raspunsuri corecte)
Nesupervizata (i.e. bazata doar pe datele de intrare)
Intarire (i.e. de tip recompensa/penalizare)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul neuronal
Principii de baza
Modelul biologic
Retele neuronale artificiale
Aplicabilitate
Scurt istoric
Retele neuronale - curs 1
-
Retele neuronale - curs 1*AplicatiiClasificare si recunoasterea formelor
Date de intrare: ansamblu de trasaturi ale unui obiectEx: informatii despre angajat
Iesire: Clasa caruia ii apartine obiectulEx: eligibil sau neeligibil pt. un credit bancar
Alte exemple: recunoasterea caracterelor, clasificarea imaginilor, clasificarea texturilor, recunoasterea vorbirii, clasificarea semnalelor (EEG, EKG)Particularitate: antrenare supervizata (bazata pe exemple de clasificare corecta)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Exemplu: recunoasterea caracterelorProblema: recunoasterea caracterelor reprezentate prin bitmap-uri
0001011000100010011101111110000001011000100010011101111100000001011000100010001001111000Exemple de reprezentari ale cifrei 100010110001000100010111110000Reteaua invata aceste exempleDupa antrenare va recunoaste si reprezentarea:
Retele neuronale - curs 1
-
Retele neuronale - curs 1*AplicatiiGruparea datelor (varianta nesupervizata a clasificarii datele se grupeaza in functie de similaritatile intre ele)
Date de intrare: ansamblu de trasaturi ale unui obiectEx: informatii privind traseul urmat de catre utilizator intr-un sistem de comert electronic
Iesire: clasa caruia ii apartine obiectulEx: grupuri de utilizatori cu comportare similare
Alte exemple: segmentarea imaginilor
Retele neuronale - curs 1
-
Retele neuronale - curs 1*AplicatiiExemplu: segmentarea imaginilor = identificarea regiunilor omogene din imagine (faciliteaza analiza continutului imaginii)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*AplicatiiAproximare / estimarea = determinarea unei relatii intre doua variabile
Date de intrare: valori ale variabilelor independenteEx: valori obtinute prin masuratori
Iesire: valoare corespunzatoare variabilei dependenteEx: valoarea estimata pentru marimea care depinde de variabilele independente
Retele neuronale - curs 1
-
Retele neuronale - curs 1*AplicatiiPredictie = estimarea valorii(valorilor) viitoare dintr-o serie temporala
Date intrare: succesiune de valoriEx: rata de schimb valutar din ultima luna
Iesire: estimarea valorii urmatoareEx: estimarea ratei pentru maine
Alte exemple: predictia stocurilor, predictia in meteorologie
Retele neuronale - curs 1
-
Retele neuronale - curs 1*AplicatiiOptimizare = rezolvare in timp rezonabil a unor probleme de optimizare combinatoriala pentru care nu exista algoritmi clasici de complexitate polinomiala
Memorii asociative = memorii in care regasirea informatiei se bazeaza pe versiuni partiale ale informatiei stocate si nu pe adresa
Control adaptiv = determinarea unui semnal de control ce asigura un anumit semnal de iesire al sistemului
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul neuronal
Principii de baza
Modelul biologic
Retele neuronale artificiale
Aplicabilitate
Scurt istoric
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Legatura cu alte domeniiRetele neuronaleBiologieNeurofiziologiePsihologie cognitivaAlgebra liniara (calcul vectorial si matricial)Analiza numerica (metode de minimizare)Statistica(estimare, regresie)Ecuatii diferentialeInformaticaMatematicaInteligenta artificialaData miningIngineriePrelucrarea semnalelorControl adaptivEconomiePredictie stocuriAnaliza riscului
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul evolutiv
Principiile calculului evolutiv
Structura unui algoritm evolutiv
Clase de algoritmi evolutivi
Aplicatii ale calculului evolutiv
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Principii de bazaEste inspirat de procesele de evolutie din natura bazate pe principiile ereditatii si a supravietuirii celui mai bun individ
Se bazeaza pe determinarea solutiei unei probleme prin explorarea spatiului solutiilor potentiale folosind o populatie de cautatori (agenti)
Elementele populatiei sunt codificate in functie de specificul problemei (siruri de biti, vectori de valori reale, arbori etc.)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Principiile calculului evolutivEvolutia in naturaMediuIndividGrad de adaptare la mediu
Rezolvarea problemelorProblemaSolutie candidatCalitate solutieAnalogia dintre procesele de evolutie din natura si rezolvarea problemelor
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Structura unui algoritm evolutiv
Initializare populatieEvaluareRecombinare,mutatieSelectieConditie de opriresolutieAlgoritm evolutiv = proces iterativ constand in aplicarea succesiva aunor operatori - recombinare - mutatie - selectieasupra unei populatiiinitializata aleator
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Variante de algoritmi evolutivi Algoritmi genetici: Codificarea binara a informatieiIncrucisarea (recombinarea) este operatorul principalMutatia este operator secundarAdecvate pentru probleme de optimizare combinatoriala
Strategii evolutive:Codificare reala a informatieiMutatia este operatorul principalIncrucisarea este operator secundarAdecvate pentru rezolvarea de probleme de optimizare continua
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Variante de algoritmi evolutiviProgramare genetica: Elementele populatiei sunt structuri (arbori, expresii, programe etc)Permit generarea unor structuri de calcul prin procese de evolutie
Programare evolutiva:Codificare reala a informatieiMutatia este singurul operatorUtilizata in rezolvarea problemelor de optimizare continua
Tendinta curenta: hibridizarea diferitelor variante
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Aplicatii ale algoritmilor evolutiviProbleme de planificare a activitatilor (generarea automata a orarelor sau planificarea sarcinilor).
Probleme de predictie (evolutia unui activ financiar sau a cursului valutar).
Programare automata (generarea unor programe care sau structuri computationale cum sunt automatele celulare si retelele de sortare).
Prelucrarea imaginilor (proiectarea filtrelor pentru imagini si analiza imaginilor).
Proiectarea retelelor neuronale (stabilirea arhitecturii si/sau a ponderilor).
Probleme de identificare a unor structuri (bioinformatica)
Simularea unor activitati creative (generare de imagini, muzica etc.)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Calcul fuzzySe bazeaza pe calculul nuantat ce foloseste valori fuzzy in locul unor valori exacteMultime fuzzy: fiecare element are asociata o functie de apartenentaRegula fuzzy: regula implicand variabile lingvisticeReceCaldFierbinteAplicatii: dispozitive de control (masini de spalat, frigidere, lifturi etc)
Retele neuronale - curs 1
-
Retele neuronale - curs 1*Materiale de curs
C. Bishop Neural Networks for Pattern Recognition, Clarendon Press, 1995
L. Chua, T. Roska Cellular neural networks and visual computing , Cambridge.University Press, 2004.
A. Engelbrecht Computational Intelligence. An Introduction, 2007
M.Hagan, H. Demuth, M.Beale Neural Networks Design, PWS Publishing 1996
Hertz,J.;Krogh,A.;Palmer,R. - Introduction to the Theory of Neural Computation, Addison-Wesley P.C., 1991.
Ripley, B.D. - Pattern Recognition and Neural Networks, Cambridge University Press, 1996.
Retele neuronale - curs 1