Содержание
- 2. Література з курсу штучного інтелекту Глибовець М. М., Олецький О.В. Штучний інтелект. — Київ : «Києво-Могилянська
- 3. Ідея виникнення Ідея створення штучного нейрона запропонована В. Маккалоком і В. Піттсом в 1950-х роках Нейрон
- 4. Практична реалізація Практична реалізація математичної моделі штучного нейрона була здійснена в 1958 році Ф.Розенблаттом. Штучний нейрон
- 5. Зв'язки між штучними нейронами Зв'язки, по яких вихідні сигнали одних нейронів надходять на входи інших, часто
- 6. Математична модель персептрона та її особливості Математично персептрон являє собою ваговий суматор єдиний вихід якого визначається
- 7. Класифікація штучних нейронів В основному, нейрони класифікують на основі їх положення в топології мережі. Розділяють: Вхідні
- 8. Основні типи передавальних функцій нейронів Лінійна передавальна функція Порогова передавальна функція Сигмоїдальна передавальна функція Логістична функція
- 9. Вигляд передавальних функцій
- 10. Моделювання формальних логічних функцій Штучний нейрон з пороговою передавальною функцією може моделювати різні логічні функції. Зображення
- 11. Відмінності між біологічним і штучним нейроном Нейронні мережі, побудовані на штучних нейронах, виявляють деякі ознаки, які
- 12. Класифікація персептронів Одношаровий персептрон Багатошаровий персептрон
- 13. Відмінності багатошарового перцептрона від перцептрону Розенблатта Використання нелінійної функції активації, як правило сигмоїдної. Число шарів, які
- 14. Багатошаровий перцептрон буде володіти функціональними перевагами в порівнянні з перцептроном Розенблатта лише в тому випадку, якщо
- 15. Навчання персептрона Важливою властивістю будь-якої нейронної мережі є здатність до навчання. Процес навчання є процедурою налаштування
- 16. Навчання персептрону з учителем Класичний метод навчання перцептрону — це метод корекції помилки. Він являє собою
- 17. Навчання персептрону без учителя Крім класичного методу навчання перцептрону, Розенблат також ввів поняття про навчання без
- 18. Застосування перцептронів Перцептрон може бути використано, наприклад, для апроксимації функцій, для задачі прогнозування (й еквівалентної їй
- 19. Апроксимація функцій за допомогою персептрона
- 20. Прогнозування та розпізнавання образів У цих завданнях перцептронові потрібно встановити приналежність об'єкта до якогось класу за
- 21. Керування агентами У теорії штучного інтелекту часто розглядають агентів, що навчаються (адаптуються до навколишнього середовища). При
- 23. Скачать презентацию