2019. október 1., kedd

Mesterséges neurális hálók

A mesterséges neurális hálózatról akkor beszélhetünk, ha a rendszer rendelkezik tanulási és predikciós algoritmussal és általában több rétegbe szerveződik.









A hálózat átalakításánál lényegében négy elemre kell koncentrálnunk:
 - a bemeneti mátrix,
 - súly mátrix,
 - az eltolás (bias),
 - az aktivációs függvény


Problémamegoldó folyamat lépések neurális háló használatnál:
 adathalmaz kiválasztása,
 modell kiválasztása,
 adatok előfeldolgozása,
 modell implementálása,
 modell hiperparaméter optimalizálása,
 tanító és teszt adatok cseréje,
 eredmények kiértékelése


Az adathalmaz kiválasztása :
 A bemenet a bemeneti értékeket jelenti vektor formájában.
 A súlyok jelentik a neurális hálózat paramétereit, ezeknek kívánjuk
 az iteratív tanítás során megtalálni a megfelelő értékeit (hiperparaméter).

 Adat tisztítás, megfelelően előkészített bemeneti adatok kiválasztása.
 Az előfeldolgozásra azért van szükség, mert általában a rendelkezésre álló adathalmaz hiányos,
 hibákkal, adat tüskékkel tűzdelt, zajos, és/vagy inkonzisztens.



A modell kiválasztása: 
 A leggyakrabban használt „építőelemek” struktúrák, háló architektúrák:
- az előrecsatolt,
- a rekurrens,
- a konvolúciós rétegek.


A különböző architektúrák jellemzően más problémák esetén teljesítenek jobban,
sőt építőelemekként kezelve őket, kombinálni is lehet ezeket.

Neurális hálózat kialakítása nagyon bonyolult.
A közkedvelt kódtárak segítségével (Microsoft Cognitive Toolkit és a TensorFlow)
is több száz sornyi kód szükséges egy neurális hálózat kialakításához.

Ez a mély-tanulással foglalkozó munkánkat a Keras jelentősen leegyszerűsíti.

A Keras nyílt forráskódú Python-kódtár, amely  a neurális hálózatok készítését támogatja,
egyszerűsíti le.


A Neurális hálózat tanítása
betanítható képek kategorizálására, szövegek hangulatelemzésére,
természetes nyelvi feldolgozásra és más olyan feladatokra,
amelyekben a mély-tanulás kiemelkedően eredményes.



A modell hiperparaméter optimalizálása
 Hálózat hangolása,ideális paramétereinek megtalálása, a hiperparaméter optimalizálása.
 Az munkát hiperparaméter optimalizációhoz Hyperopt és Hyperas könyvtárak használatával
 lehet egyszerűsíteni.






Django alapok

Django installálás és használatba vétel Release naptár : (forrása  https://www.djangoproject.com/download/ ) Lépések: rem install conda inst...