2.2 Základné prvky NN
2. Základné pojmy
2. Základné pojmy

Obsah

2.1 Základné pojmy teórie uèenia

Uèenie je základnou a podstatnou vlastnosťou neurónových sietí. Toto ich odli¹uje od nám doposiaľ známeho pou¾ívania poèítaèov, kde bolo potrebné vytvoriť algoritmus, podľa ktorého prebehol výpoèet. Teda pri klasických algoritmoch neexistujú fázy učenia a života. Pri neurónových sieťach je navrhnutý všeobecný algoritmus učenia, ktorý sieť používa vo fáze učenia. Vhodnosť tohto algoritmu determinuje kvalitu a rýchlosť učenia na predkladaných reprezentatívnych dátach. Pre presnosť vyjadrovania sa v tejto oblasti sú dôle¾ité nasledujúce pojmy:

• príznak je význaèná velièina popisujúca jednu vlastnosť skúmaného objektu; objekt mô¾e byť charakterizovaný viacerými príznakmi. Obyèajne príznak vyjadrujeme pomocou èíselných hodnôt, tj. pomocou reálnych, celých alebo binárnych èísel.
• príkladom budeme nazývať popis objektu, ktorý je predmetom ná¹ho záujmu, pomocou èíselných hodnôt; teda príklad je vlastne n-rozmerný vektor, kde n vyjadruje poèet príznakov daného objektu.
• príkladový priestor Y je mno¾ina príkladov
• reprezentívna vzorka s je prvkom mno¾iny $Y \times \{0,1\}^m$ , kde m je počet príkladov vo vzorke. Preto reprezentatívna vzorka predstavuje množinu usporiadaných dvojíc $s=((y_1, d_1), (y_2, d_2),... ,$ $(y_m, d_m)$. Samotné $d_i \in \{0,1\}$ a predstavuje adekvátne výstupy k jednotlivým vstupom. V praxi výstupy $d_i$ nemusia byť binárne hodnoty. Je potrebné si uvedomiť, že reprezentívna vzorka nám poskytuje empirické údaje chovania sa systému, ktorý nepoznáme. Pomocou poznania vstupov a výstupov systému sa snažíme poznať chovanie systému.
• reprezentívna vzorka je bezosporná, ak ¾iadne dva príklady vo vzorke nie sú sporné, tj. ak $y_i=y_j$, potom musí platiť $d_i=d_j$.
• reprezentatívnu vzorku zvykneme náhodne rozdeliť do dvoch základných typov vzoriek:

  1.

  trénovacia vzorka - je to množina usporiadaných hodnôt, ktorá sa používa pri fáze učenia. Dôležitosť reprezentatívnosti týchto dát je mimoriadna, lebo znalosti sa pri učení z týchto dát extrahujú do synaptických váh neurónovej siete. Ak táto množina nie je vhodne vybraná, potom aj samotné učenie nebude kvalitné. Tieto dáta by mali popisovať komplexné chovanie sa systému, ktorý dáta reprezentujú.

  2.

  testovacia vzorka - je to množina usporiadaných hodnôt, ktorá sa používa vo fáze života za účelom otestovania získaných znalostí počas učenia.

CIG Homepage(E-mail us!)