nechodím na prednáškyCvicenie - Neuronove siete 2.3.2022 13:00
Preber si túto prednášku so svojou AI
Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.
Zhrnutie prednášky
Cvičenie z neurónových sietí zopakovalo základnú stavbu umelého neurónu: vstupy sa násobia váhami, agregujú sa a prechádzajú aktivačnou funkciou, ktorá určí výstup. Podrobne sa rozobral McCullochov–Pittsov (MP) model z roku 1943, tzv. lineárny prahový model, ktorý pracuje len s binárnymi vstupmi a výstupmi a váhami 1, −1 a 0. Výstup je 1, ak agregovaná suma dosiahne prahovú hodnotu b, inak 0. V Pythone s knižnicou NumPy sa následne naprogramoval vstupný vektor, suma, funkcia linear threshold gate, násobenie vstupov s váhami cez skalárny súčin a logická funkcia AND s tabuľkou vstupov, kde je prah rovný počtu vstupov. Funkcia OR si vystačí s prahom 1.
- - Umelý neurón je inšpirovaný mozgom: vstupy s váhami sa agregujú a prechádzajú aktivačnou funkciou.
- - McCullochov–Pittsov model z roku 1943 (lineárny prahový model) je základ teórie umelých neurónových sietí.
- - MP model pracuje iba s binárnymi vstupmi a výstupmi z množiny {0, 1}.
- - Výstup je 1, ak suma vstupov g(x) ≥ b (prah), inak 0.
- - Váhy v MP modeli nadobúdajú hodnoty 1 (excitačná), −1 (inhibičná) a 0 (spojenie neexistuje).
- - V NumPy sa vážená suma počíta skalárnym súčinom (operátor @, dot).
- - Funkcia AND sa modeluje prahom rovným počtu vstupov, funkcia OR prahom 1.
Zhrnutie pripravené s pomocou AI z prepisu videa.
