Карти Кохонена. Застосування карт, що самоорганізуються (Self-Organіzіng Maps, SOM) для розв’язання задач кластеризації. Звіт до лабораторної роботи з Методи і системи штучного інтелекту. Робота № 530728

Перехід до торгівельного партнера Binance

Карти Кохонена. Застосування карт, що самоорганізуються (Self-Organіzіng Maps, SOM) для розв’язання задач кластеризації

Інформація про навчальний заклад

ВУЗ:

Національний університет Львівська політехніка

Інститут:

Інститут комп’ютерних наук та інформаційних технологій

Факультет:

КН

Кафедра:

Кафедра автоматизованих систем управління

Інформація про роботу

Рік:

2018

Тип роботи:

Звіт до лабораторної роботи

Предмет:

Методи і системи штучного інтелекту

Завантажити

Частина тексту файла (без зображень, графіків і формул):

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ «ЛЬВІВСЬКА ПОЛІТЕХНІКА» ІНСТИТУТ КОМП’ЮТЕРНИХ НАУК ТА ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ КАФЕДРА АВТОМАТИЗОВАНИХ СИСТЕМ УПРАВЛІННЯ Звіт до лабораторної роботи №7 з дисципліни «Методи та системи штучного інтелекту»на тему: «Карти Кохонена. Застосування карт, що самоорганізуються (Self-Organіzіng Maps, SOM) для розв’язання задач кластеризації» Лабораторна робота №7 Тема роботи: Карти Кохонена. Застосування карт, що самоорганізуються (Self-Organіzіng Maps, SOM) для розв’язання задач кластеризації Мета роботи: Ознайомитись з програмним пакетом «Deductor» та навчитись використовувати його. Розв’язати задачу кластеризації застосовуючи карти Кохонена. Короткі теоретичні відомості Мережі, що називаються картами Кохонена – це один з різновидів нейронних мереж, однак вони принципово відрізняються від розглянутих раніше, оскільки використовують неконтрольоване навчання. Нагадаємо, що при такому навчанні навчальна множина складається лише зі значень вхідних змінних, у процесі навчання немає порівняння виходів нейронів з еталонними значеннями. Можна сказати, що така мережа вчиться розуміти структуру даних. Ідея мережі Кохонена належить фінському вченому Тойво Кохонену (1982 рік). Основний принцип роботи мереж – введення в правило навчання нейрона інформації щодо його розташування. В основі ідеї мережі Кохонена лежить аналогія із властивостями людського мозку. Кора головного мозку людини являє собою плоский аркуш і згорнута складками. Таким чином, можна сказати, що вона має певні топологічні властивості (ділянки, відповідальні за близькі частини тіла, примикають одна до одної й все зображення людського тіла відображається на цю двовимірну поверхню). Завдання, що розв'язуються за допомогою карт Кохонена Карти, що самоорганізуються, можуть використовуватися для розв’язання таких завдань, як моделювання, прогнозування, пошук закономірностей у великих масивах даних, виявлення наборів незалежних ознак і стиск інформації. Найпоширеніше застосування мереж Кохонена - рішення завдання класифікації без учителя, тобто кластеризації. Нагадаємо, що при такій постановці завдання нам задано набір об'єктів, кожному з яких відповідає рядок таблиці (вектор значень ознак). Потрібно розбити вихідну множину на класи, тобто для кожного об'єкта знайти клас, до якого він належить. У результаті одержання нової інформації про класи можлива корекція існуючих правил класифікації об'єктів. От два з найбільш розповсюджених застосувань карт Кохонена: розвідницький аналіз даних і виявлення нових явищ. Розвідницький аналіз даних. Мережа Кохонена здатна розпізнавати кластери в даних, а також встановлювати близькість класів. Таким чином, користувач може поліпшити своє розуміння структури даних, щоб потім уточнити нейромережеву модель. Якщо в даних розпізнані класи, то їх можна позначити, після чого мережа зможе вирішувати завдання класифікації. Мережі Кохонена можна використати й у тих завданнях класифікації, де класи вже задані, - тоді перевага буде в тім, що мережа зможе виявити подібність між різними класами. Виявлення нових явищ. Мережа Кохонена розпізнає кластери в навчальних даних і відносить всі дані до тих або інших кластерів. Якщо після цього мережа зустрінеться з набором даних, несхожим ні на один з відомих зразків, то вона не зможе класифікувати такий набір і тим самим виявить його новизну. Хід роботи 1. Запускаю Deductor та ознайомлююсь із його основними можливостями. Рис. 1 Стартове вікно програми Deductor. 2. Формую власні дані для задачі кластеризації. Дані полягають у кластеризації футболістів за їхньою вагою та зростом. Рис. 2 Файл з власними даними. 3. Використовуючи файл даних виконую навчання мережі Кохонена відповідно до прикладу з методичних вказівок. Проходжу всі кроки на даних, приділивши більшу увагу налаштуванню параметрів мережі Кохонена. Рис. 6 В майстрі обробки даних вибір «Карта Кохонена». Рис. 10 Побудова катри Кохонена. Рис. 11 Вибір способів відображення даних. Рис. 12 Налаштування відображення катри Кохонена. Висновок: В результаті виконання даної лабораторної роботи, я дослідив можливості програми “Deductor”. За допомогою програмного забезпечення Deductor, я ознайомився з картами Кохонена на основі готового прикладу. Потім я створив власні дані, які базуються на кластеризації футболістів враховуючи їх зріст і вагу, опрацювала всі кроки для створення карти Кохонена на них. За допомогою карт Кохонена я прокластеризував футболістів на основі їх певних характеристик та отримала оптимальний результат.

Звіт до лабораторної роботи Методи і системи штучного інтелекту

dumanskiy123

01.12.2018 15:12-

Коментарі

Ви не можете залишити коментар. Для цього, будь ласка, або зареєструйтесь.

Ділись своїми роботами та отримуй миттєві бонуси!

Маєш корисні навчальні матеріали, які припадають пилом на твоєму комп'ютері? Розрахункові, лабораторні, практичні чи контрольні роботи — завантажуй їх прямо зараз і одразу отримуй бали на свій рахунок! Заархівуй всі файли в один .zip (до 100 МБ) або завантажуй кожен файл окремо. Внесок у спільноту – це легкий спосіб допомогти іншим та отримати додаткові можливості на сайті. Твої старі роботи можуть приносити тобі нові нагороди!

поділитись