Różnice między wybraną wersją a wersją aktualną.
| Nowa wersja | Poprzednia wersja | ||
|
pl:prolog:prolog_lab:neural [2013/01/07 06:44] gjn utworzono |
pl:prolog:prolog_lab:neural [2019/06/27 15:50] (aktualna) |
||
|---|---|---|---|
| Linia 16: | Linia 16: | ||
| ===== Ćwiczenia ===== | ===== Ćwiczenia ===== | ||
| + | |||
| ==== Używanie gotowych sieci ==== | ==== Używanie gotowych sieci ==== | ||
| Pracuj w parze z Koleżanką/Kolegą. | Pracuj w parze z Koleżanką/Kolegą. | ||
| Uruchom narzędzie pisząc w konsoli tekstowej ''ais-neural''. | Uruchom narzędzie pisząc w konsoli tekstowej ''ais-neural''. | ||
| - | - Załaduj przykładowe zadanie ////. | + | - Przeczytaj //[[http://www.aispace.org/neural/help/tutorial2.shtml|tutorial]]//. |
| + | - Załaduj przykładowe zadanie //Mail reading// przez //File/Load Samle graph and data//. Sieć modeluje klasyfikację przypadków sytuacji czytania wiadomości w zależności od 4 parametrów. | ||
| + | - Obejrzyj opis //Help/Legend//. | ||
| + | - Przejdź do uczenia sieci, zakładka //Solve//. Ustaw //Auto step speed// na Medium 0.5s. | ||
| + | - Dokonaj inicjalizacji parametrów sieci. | ||
| + | - Włącz uczenie, najpierw 5 pojedynczych kroków, a potem włącz uczenie w 50 krokach. Uczenie sieci z warstwą ukrytą (3 warstwy) jest realizowane algorytmem ze wsteczną propagacją błędów. | ||
| + | - Obejrzyj przypadki dla uczenia sieci //View/Edit examples//. | ||
| + | - Obejrzyj statystyki uczenia: //Show plot// i //Statistics//. | ||
| + | - Podaj ręcznie kilka przykładów do klasyfikacji dla sieci: //Calculate output// | ||
| + | - Spróbuj powtórzyć ćwiczenie dla innych wybranych przykładów. | ||
| + | |||
| + | ==== Budowa sieci ==== | ||
| + | |||
| + | - Przeczytaj //[[http://www.aispace.org/neural/help/tutorial2.shtml|tutorial]]//. | ||
| + | - Załaduj przykładowy zbiór danych do budowy sieci //Small car data// przez //File/Load Samle data//. Sieć modeluje klasyfikację samochodów do 4 klas na podstawie szeregu parametrów. | ||
| + | - Obejrzyj opis //Help/Legend//. | ||
| + | - Obejrzyj opis tekstowy sieci //Edit/View text representation//. Zwróć uwagę na dane uczące. | ||
| + | - Przejdź do uczenia sieci, zakładka //Solve//. Ustaw //Auto step speed// na Medium 0.5s. | ||
| + | - Dokonaj inicjalizacji parametrów sieci. | ||
| + | - Wybierz przykłady testowe ze zbioru uczących //[[http://www.aispace.org/neural/help/tutorial2.shtml|tutorial]]//. | ||
| + | - Włącz uczenie. | ||
| + | - Obserwuj statystyki uczenia. | ||
| + | - Podaj ręcznie kilka przykładów do klasyfikacji dla sieci: //Calculate output// | ||
| + | |||
| + | ==== Własna sieć ==== | ||
| - | ==== Proste grafy ==== | + | - Załaduj i obejrzyj przykład //Likes TV// |
| + | - Stwórz analogiczną sieć od nowa, ma klasyfikować czy użytkownik ogląda jakąś kategorię programu telewizyjnego w zależności od pory dnia. | ||
| + | - Przez opcję //File/Creat new graph// stwórz nową sieć. | ||
| + | - Załóż, że będą 3 klasy programów (np. oglada, obojetne, nieoglada) (neurony wyjściowe), 2 neurony ukryte, wymyśl kilka cech wejściowych związanych z typem programu i jego porą emisji. | ||
| + | - Utwórz przypadki dla uczenia sieci //View/Edit examples// i dokonaj uczenia. | ||
