Нейронные сети: наиболее полные и понятные видеолекции

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Нейронные сети – мощный и многофункциональный инструмент, который применим в любой современной отрасли. Рассмотрим базовые понятия.

В лекциях представлены основные алгоритмы, задачи и методы, которые помогут лучше понять нейронные сети.

В этом видео рассматривается нейронная сеть Хопфилда, которая зачастую используется для распознавания образов, фотографий и изображений. Автор интересно и “на пальцах” объясняет дискретную модель Хопфилда. Для лучшего понимания лекция построена на учебном примере расчета матриц и векторов.

Здесь автор продолжает тему нейронных сетей распознавания объектов. Гетероассоциативная память (ГАП) была придумана Джоном Хопфилдом в 80-х годах, а Барт Коско модернизировал эту сеть таким образом, чтобы она могла ассоциировать вектора разной длины. В ГАП вектор поступает на один набор нейронов, а соответствующий выходной вектор появляется на другом наборе нейронов. Т. к. сеть Хопфилда и ГАП фактически являются одним и тем же, они обе способны на обобщение и могут выделять эталонный образ из зашумленных экземпляров

В 1859 году Уильям Хамильтон придумал одноименную игру, на  основе которой была создана задача коммивояжера, которую и будет решать автор в этом видео. Чтобы найти кратчайший путь от вершины к вершине в графе, будет использован муравьиный алгоритм. В этом алгоритме муравей выбирает свой путь, основываясь на уровне феромонов, которые были оставлены предыдущими проходчиками – чем выше его уровень, тем короче путь от вершины к вершине.

В этом видеоуроке автор продолжает решать задачу коммивояжера, но использует метод отжига и полный граф К-6. Нужно найти самый короткий гамильтонов цикл. Это цикл, который проходит все вершины графа по одному разу и возвращается в исходную точку. Для оптимизации пути используется генератор случайных чисел (метод Монте-Карло).

Лекция описывает работу генетического алгоритма на примере поиска экстремума двух функций. Берется 4 набора  (4 хромосомы), в каждом из которых по 2 гена. Отбирается лучший ген на основании показателей функции максимума и после этого процесс переходит к следующей хромосоме. Худшая хромосома выбывает из набора, набор перестраивается и все повторяется снова.

Рассматривается задача размещения вершин графа на линейке таким образом, чтобы суммарная длина ребер этого графа была минимальной. Суть состоит в том, чтобы эти вершины были соединены в таком порядке, который указывает граф. Предполагается, что расстояние между вершинами статическое и одинаковое. Для решения применяется мутационный алгоритм (инверсия по k-му элементу).


Источник: proglib.io

Комментарии: