Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

EE141 1 Universalne Modele Uczenia - Cwiczenia Janusz A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Inteligentne Systemy Autonomiczne.

Podobne prezentacje


Prezentacja na temat: "EE141 1 Universalne Modele Uczenia - Cwiczenia Janusz A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Inteligentne Systemy Autonomiczne."— Zapis prezentacji:

1 EE141 1 Universalne Modele Uczenia - Cwiczenia Janusz A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Inteligentne Systemy Autonomiczne W oparciu o wykład Prof. Randall O'ReillyRandall O'Reilly University of Colorado oraz Prof. Włodzisława Ducha Uniwersytet Mikołaja Kopernika

2 EE141 2 Symulacje trudnego problemu Genrec.proj, ze strony 3 ukryte jednostki. Uczenie jest przerywane po 5 epokach bez błędu. Błędy w czasie uczenia wykazują znaczne fluktuacje – sieci z rekurencją są wrażliwe na małe zmiany wag, eksplorują różne rozwiązania. Porównaj z uczeniem przypadków łatwych i trudnych z samym Hebbem.

3 EE141 3 Generalizacja w sieciach atraktorowych Sama reguła GeneRec nie prowadzi do dobrej generalizacji. Symulacje: model_and_task.proj ze strony Parametr hebb kontroluje ile CHL a ile Hebba. Pure_err realizuje tylko CHL, sprawdzić fazy - i + Porównać rep. wewnętrzne dla różnych rodzajów uczenia.

4 EE141 4 Drzewo rodzinne Przykład symulacji: family_trees.proj.gz, rozdz Mamy 24 osoby = agent, Patient – wyjście, czyli osoba; relation–wejście. Relacje: mąż, żona, syn, córka, ojciec, matka, brat, siostra, ciotka, wujek, kuzyn, kuzynka.

5 EE141 5 Drzewo rodzinne Przykład symulacji: family_trees.proj, ze strony Czego jeszcze brakuje? Czasu!

6 EE141 6 Realizacja sieciowa Sieć wybiera przypadkowo jeden z dwóch możliwych stanów. Ukryte/kontekstowe neurony uczą się rozpoznawać stany automatu, a nie tylko etykiety. Modelowanie zachowania: te same obserwacje ale różne stany wewnętrzne => różne decyzje i następne stany. Projekt fsa.proj ze strony

7 EE141 7 Implementacja sieciowa Przewidywania aktywności jak i błędu. CS dla t=2 US dla t=16 rl_cond.proj Ze strony inforcement_Learning

8 EE141 8 Dwufazowa implementacja Wejście CSC – Complete Serial Compound, zastosowano unikalne elementy do bodźców w kolejnych momentach czasu. Nie jest to zbyt realistyczny model warunkowania klasycznego. Rozdz , Projekt rl_cond.proj Ze strony mpCogNeuro/index.php/CE CN1_Reinforcement_Learn ing


Pobierz ppt "EE141 1 Universalne Modele Uczenia - Cwiczenia Janusz A. Starzyk Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Inteligentne Systemy Autonomiczne."

Podobne prezentacje


Reklamy Google