Wykład na temat sztucznych sieci neuronowych jako aproksymatorów funkcji
HTML-код
- Опубликовано: 27 ноя 2017
- Prezentacja sztucznych sieci neuronowych (SSN) jako aproksymatorów funkcji, zasady ich działania, aktualnego stanu wiedzy i przykładowych aplikacji. Pierwsza część wykładu stanowi wprowadzenie do aproksymacji funkcji za pomocą SSN. Przedstawiono problem aproksymacji funkcji i jego rozwiązanie przy użyciu SSN (wielowarstwowego perceptronu). W drugiej części zaprezentowano wybrane modele SSN używane do aproksymacji: sieci z radialnymi funkcjami bazowymi, extreme learning machine i sieci regresji uogólnionej GRNN. W trzeciej części pokazano zastosowania SSN w przykładowych problemach aproksymacyjnych: modelowanie silnika spalinowego, identyfikację układu dynamicznego wymiennika cieplnego, aproksymację pętli histerezy magnetycznej i predykcję szeregów czasowych. Materiał w założeniu ma być jak najbardziej przystępny i przeprowadzić słuchacza płynnie od zagadnień prostych i zrozumiałych (klasyczny problem aproksymacji funkcji liniowej) do bardziej złożonych.
Genialnie wytłumaczone. Dziękuję :)
Niedawno trafilem na ten kanal i jako poczatkujacy w temacie sieci neuronowych jestem bardzo wdzieczny za udostepnione materialy. Dziekuje.
Genialny wykład!!!! Wszystkie wykłady powinny tak wyglądać jak Pana!
Bardzo dobry wyklad i swietna prezentacja opisywanego zagadnienia. Nalepiej wytlumczane sieci neuronowe jakie do tej pory spotkalem. Chetnie objerzalbym wiecej wykladow/prezentacji na ten temat od Pana :)
Dziękuję. Bardzo mi odpowiada taka forma prezentacji. Proszę o więcej!
Zapraszam na studia podyplomowe Data Science - Inżynieria Danych
W programie: sztuczna inteligencja, uczenie maszynowe, big data, business intelligence, hurtownie danych, przetwarzanie w chmurze
Więcej informacji na stronie Wydziału Elektrycznego Politechniki Częstochowskiej
Piękne!
Uzupełnieniem tej prezentacji jest prezentacja nt. randomizowanych sieci neuronowych ruclips.net/video/Ytyuyctxdlw/видео.html. Omawiam tam alternatywne sposoby uczenia sieci, które znacznie przyspieszają trening. Poza tym prezentacja pozwala głębiej zrozumieć sieci neuronowe.
Dziękuję za świetne wykłady. Studiuję na PCz, mam nadzieję, że kiedyś będę miał przyjemność uczestniczyć w Pana zajęciach. Pozdrawiam!
Jednak inteligencja kryje sie w wielomianach.
Bardzo dobry wykład. Jeszcze nie wiem, co oznacza rząd modelu (opóźnienie) dla sieci neuronowej? Czy chodzi o podawany na wejście przebieg np. temperatury maksymalnie do chwili T(t-1) dla modelu drugiego rzędu, a dla trzeciego rzędu dla T(t-2) ? Oczywiście wraz z wartościami dla T(t-0), T(t-1) itd.
Dziękuje za bardzo dobry wykład. Niestety do Częstochowy jest mi nie po drodze, ale czy można gdzieś dostać Pana wykłady w formie pisanej (książki, publikacji etc.) ?
Znakomity wykład, dziwne ze dopiero teraz na niego trafiłem,
Czy mogę prosić kontakt do Pana? Mam pewnien biznes związany ze startupem jaki chcemy uruchomić;)
gdudek.el.pcz.pl