Анисимова Эллина 911 МП
DESCRIPTION
Анисимова Эллина 911 МП. Искусственный интеллект — это экспериментальная научная дисциплина, задача которой — воссоздание с помощью искусственных устройств разумных рассуждений и действий. Lotfi Askar Zadeh. Ebrahim Mamdani. Нечёткие множества. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/1.jpg)
Анисимова Эллина911 МП
![Page 2: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/2.jpg)
Нейронные сети
Нечёткая логика
Нейро-нечёткие системы
![Page 3: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/3.jpg)
Искусственный интеллект — это экспериментальная
научная дисциплина, задача которой — воссоздание с
помощью искусственных устройств разумных рассуждений
и действий.
![Page 5: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/5.jpg)
Ebrahim Mamdani
![Page 6: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/6.jpg)
Нечёткие множества
.
Нечётким множеством С называется множество упорядоченных пар вида
где MFc(x) – степень принадлежности x к нечёткому множеству C;xX, X – универсальное множество
![Page 7: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/7.jpg)
Нечёткое множество и чёткое (crisp) классическое множество
![Page 8: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/8.jpg)
Пример «Горячий чай"
X= 0C - 100C;
С = 0/0; 0/10; 0/20; 0,15/30; 0,30/40; 0,60/50;
0,80/60; 0,90/70; 1/80; 1/90; 1/100.
![Page 9: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/9.jpg)
Пересечение двух нечетких множеств (нечеткое "И"): MFAB(x)=min(MFA(x), MFB(x)).
Объединение двух нечетких множеств (нечеткое "ИЛИ"): MFAB(x)=max(MFA(x), MFB(x)).
![Page 10: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/10.jpg)
Согласно Лотфи Заде лингвистической называется переменная, значениями которой являются слова или предложения естественного или искусственного языка.
Значениями лингвистической переменной могут быть нечеткие переменные, т.е. лингвистическая переменная находится на более высоком уровне, чем нечеткая переменная.
![Page 11: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/11.jpg)
Каждая лингвистическая переменная состоит из:
названия;
множества своих значений, которое также называется базовым терм-множеством T. Элементы базового терм-множества представляют собой названия нечетких переменных;
универсального множества X;
синтаксического правила G, по которому генерируются новые термы с применением слов естественного или формального языка;
семантического правила P, которое каждому значению лингвистической переменной ставит в соответствие нечеткое подмножество множества X.
![Page 12: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/12.jpg)
Описание лингвистической переменной "Цена акции"
X=[100;200]
Базовое терм-множество:
"Низкая", "Умеренная", "Высокая"
![Page 13: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/13.jpg)
Треугольная функция принадлежности
![Page 14: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/14.jpg)
Трапецеидальная функция принадлежности
![Page 15: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/15.jpg)
Функция принадлежности гауссова типа
![Page 16: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/16.jpg)
Описание лингвистической переменной "Цена акции"X=[100;200]
Базовое терм-множество: "Низкая", "Умеренная", "Высокая"
0
1
0.4
0.75
![Page 17: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/17.jpg)
Описание лингвистической переменной "Возраст"
0
1
0.2
0.47
![Page 18: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/18.jpg)
– входные переменные; y – выходная переменная;
– заданные нечёткие множества с функциями принадлежности.
Результатом нечёткого вывода является чёткое значение переменной y* на основе заданных чётких значений
![Page 19: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/19.jpg)
Механизм нечёткого логического вывода
![Page 20: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/20.jpg)
Схема нечёткого вывода по Мамдани
![Page 21: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/21.jpg)
«Мягкие вычисления"
(Soft computing)
нечёткая логика,
искусственные
нейронные сети,
вероятностные
рассуждения
эволюционные
алгоритмы
![Page 22: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/22.jpg)
Нейронные сети – самообучающиеся системы,
имитирующие деятельность человеческого мозга
![Page 23: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/23.jpg)
Warren Sturgis McCulloch
![Page 26: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/26.jpg)
Искусственный нейрон
Х = (x1, x2,…, xn) – множество входных сигналов, поступающих на искусственный нейрон
W = (w1, w2,…, wn) – множество весов в совокупности (каждый вес соответствует «силе» одной биологической синаптической связи)
![Page 27: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/27.jpg)
Линейная передаточная функция
![Page 29: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/29.jpg)
Сигмоидальная функция активации
![Page 31: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/31.jpg)
Однослойный трехнейронный персептрон
![Page 32: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/32.jpg)
Двухслойный персептрон
![Page 33: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/33.jpg)
Алгоритм обратного распространения ошибки
![Page 34: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/34.jpg)
Построение сети (после выбора входных переменных)
Выбрать начальную конфигурацию сети
Провести ряд экспериментов с различными конфигурациями, запоминая при этом лучшую сеть (в смысле контрольной ошибки). Для каждой конфигурации следует провести несколько экспериментов.
Если в очередном эксперименте наблюдается недообучение (сеть не выдаёт результат приемлемого качества), попробовать добавить дополнительные нейроны в промежуточный слой (слои). Если это не помогает, попробовать добавить новый промежуточный слой.
Если имеет место переобучение (контрольная ошибка стала расти), попробовать удалить несколько скрытых элементов (а возможно и слоёв).
![Page 35: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/35.jpg)
Задачи Data Mining, решаемые с помощью нейронных сетей
Классификация (обучение с учителем)
Прогнозирование
Кластеризация (обучение без
учителя)
• распознавание текста,• распознавание речи, • идентификация личности
• найти наилучшее приближение функции, заданной конечным набором входных значений (обучающих примеров
• задача сжатия информации путем уменьшения размерности данных
![Page 36: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/36.jpg)
Задача "Выдавать ли кредит клиенту" в аналитическом пакете Deductor (BaseGroup)Обучающий набор - база данных, содержащая информацию о клиентах:
– Сумма кредита, – Срок кредита, – Цель кредитования, – Возраст, – Пол, – Образование, – Частная собственность, – Квартира, – Площадь квартиры.
Необходимо построить модель, которая сможет дать ответ, входит ли Клиент, желающий получить кредит, в группу риска невозврата кредита, т.е. пользователь должен получить ответ на вопрос "Выдавать ли кредит?"
Задача относится к группе задач классификации, т.е. обучения с учителем.
![Page 37: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/37.jpg)
Шаг "Настройка назначений столбцов"
![Page 38: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/38.jpg)
Шаг "Разбиение исходного набора данных на подмножества"
![Page 39: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/39.jpg)
Шаг "Структура нейронной сети"
![Page 40: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/40.jpg)
Шаг "Настройка процесса обучения нейронной сети"
![Page 41: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/41.jpg)
Шаг "Обучение нейронной сети"
![Page 42: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/42.jpg)
Таблица сопряженности
![Page 43: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/43.jpg)
Нечёткие нейронные сети (fuzzy-neural networks)
осуществляют выводы на основе аппарата нечёткой логики,
причём параметры функций принадлежности
настраиваются с использованием алгоритмов обучения
нейронных сетей (НС).
![Page 44: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/44.jpg)
Нечеткие нейроныИЛИ-нейрон:
И-нейрон:
![Page 45: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/45.jpg)
Adaptive-Network-Based Fuzzy Inference System (ANFIS) – адаптивная сеть нечёткого вывода
![Page 46: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/46.jpg)
Вопросы
1. Что является характеристикой нечёткого множества?
2. Приведите определение нейронных сетей.
3. Перечислите области «мягких вычислений» (Soft computing).
4. Приведите пример нечёткой нейронной системы.
![Page 47: Анисимова Эллина 911 МП](https://reader036.vdocuments.mx/reader036/viewer/2022081513/56812ab0550346895d8e751f/html5/thumbnails/47.jpg)
СПАСИБО ЗА ВНИМАНИЕ!