Informatikai Kar Eötvös Loránd Tudományegyetem Mesterséges neuronhálók

Informatikai Kar

Eötvös Loránd Tudományegyetem

Mesterséges neuronhálók Lőrincz András

 

Mi az intelligencia? Mi a mesterséges intelligencia?

Informatikai Kar

Eötvös Loránd Tudományegyetem

Bevezető kérdések

2



Felismerés első típusa  Mi ez?

Informatikai Kar

Eötvös Loránd Tudományegyetem

Miről lesz szó?

3



Felismerés első típusa  Mi ez?



Ló

Informatikai Kar

Eötvös Loránd Tudományegyetem

Miről lesz szó?



Honnan tudjuk?

4



Felismerés első típusa  Mi ez?



Ló

Informatikai Kar

Eötvös Loránd Tudományegyetem

Miről lesz szó?

 

Honnan tudjuk? Már sok lovat láttunk korábban 5



Felismerés első típusa  Mi ez?



Ló



Felismerés második típusa  Mi ez?

Informatikai Kar

Eötvös Loránd Tudományegyetem

Miről lesz szó?

 

Honnan tudjuk? Már sok lovat láttunk korábban 6



Felismerés első típusa  Mi ez?



Felismerés második típusa  Mi ez?



Ló



Ló?  Miből gondoljuk?

Informatikai Kar

Eötvös Loránd Tudományegyetem

Miről nem lesz szó?

 

Honnan tudjuk? Már sok lovat láttunk korábban

7



Felismerés első típusa  Mi ez?



Felismerés második típusa  Mi ez?



Ló



Ló?  Miből gondoljuk?  Konfiguráció és elemek hasonlóak

Informatikai Kar

Eötvös Loránd Tudományegyetem

Miről nem lesz szó?

 

Honnan tudjuk? Már sok lovat láttunk korábban

8



Kategorizáció  Felismerés első fajtája



Komponens alapú felismerés  Felismerés második fajtája “recognition”

  

Könnyű tanulni (lenyomat – fénykép) Könnyű használni (illesztés) Sok a tanulnivaló, nincs általánosítás

  

Nehéz használni – inferencia szükséges Nem kell „tanulni” – kommunikálható Pl. zebra..

Informatikai Kar

Eötvös Loránd Tudományegyetem

Tanuljunk a pszichológiától és a számítástudománytól

9

 

Mi az intelligencia? Mi a mesterséges intelligencia?  Két részre osztjuk:



Állapotleírás (beleértjük az akcióleírást is, pl.): „szék” vagy „X.Y.” vagy „X.Y. ül a széken” Mesterséges neuronhálók  hálózatba fűzött nemlineáris elemekkel  tipikusan közelítésekkel (regresszióval) és osztályozási feladatokkal foglalkoznak



Célorientált tevékenység optimalizációja próba-szerencse alapon Megerősítéses tanulás  második félév

Informatikai Kar

Eötvös Loránd Tudományegyetem

Bevezető kérdések

10



Nem érdemes tanítani:  Könnyű tanulni – könnyű ellenőrizni  Nehéz tanulni – nehéz ellenőrizni  Könnyű tanulni – nehéz ellenőrizni  gráf partícionálás – ill. ellenőrzése

Informatikai Kar

Eötvös Loránd Tudományegyetem

Számítástudomány: kétfajta probléma

11

Eötvös Loránd Tudományegyetem Informatikai Kar

Számítástudomány: kétfajta probléma



Nem érdemes tanítani:  Könnyű tanulni – könnyű ellenőrizni  Nehéz tanulni – nehéz ellenőrizni  Könnyű tanulni – nehéz ellenőrizni  gráf partícionálás – ill. ellenőrzése



Érdemes tanítani:  Nehéz tanulni – könnyű ellenőrizni  Polinomiális időben ellenőrizhető feladatok családja  intelligencia tesztek – komponenseket használ

12

Eötvös Loránd Tudományegyetem Informatikai Kar

Számítástudomány: kétfajta probléma



Nem érdemes tanítani:  Könnyű tanulni – könnyű ellenőrizni  Nehéz tanulni – nehéz ellenőrizni  Könnyű tanulni – nehéz ellenőrizni  gráf partícionálás – ill. ellenőrzése



Érdemes tanítani:  Nehéz tanulni – könnyű ellenőrizni  Polinomiális időben ellenőrizhető feladatok családja  intelligencia tesztek – komponenseket használ  Példa:  Zebra: ló + csíkok  Ló: fej + nyak + sörény + test + 4 láb + farok  Fej: két szem + két fül + orr + száj  Száj: gyakran hússzínű, alakja pedig: hosszú-hosszú leírás  Hússzínű: ????  kikerülhetetlen a példa-alapú tanulás 13

Eötvös Loránd Tudományegyetem Informatikai Kar

Írott anyag, vizsga és házik

Könyv  interneten: http://people.inf.elte.hu/lorincz  „Materials” (1998-as)  matematika benne van, fontosabb elemek benne vannak  jó matematikai háttérrel érthető, lehet belőle vizsgázni Előadás  Jóval kevesebb, mint a könyv  csökkenteni kellett az anyagon, nehéz a matematika  Több, sokat tudtunk meg a komponensekről az elmúlt tíz évben  Wikipedia és Scholarpedia kiváló angolul…  Házi: van… Egyéb  Kiváló bevezető / áttekintő anyag – mi is használni fogjuk:  http://www.mlss2014.com/files/kolter_slides1.pdf  http://www.mlss2014.com/files/kolter_slides2.pdf 2010-11/II.

Lőrincz András | Megerősítéses tanulás

14

Eötvös Loránd Tudományegyetem Informatikai Kar

Értékelés + vizsga Példák, feladatok 1. Matematika ismétlés gyakorlaton Nem kell beadni, de lesz a vizsgán Értékelés 1. Beugró  feltétel: matematika gyakorlat példáiból feladatok  a neuronhálós tananyaggal kapcsolatos kérdések Tapasztalat: 1. El kell járni 2. Gyakorlat feladatait meg kell oldani Siker sansza: 90% Különben:  ~ 0%

Lőrincz András | Mesterséges neuronhálók

15