Názory k článku Neurónové siete sú čiernou skrinkou

Ech, porad jsem cekal na nejakou pointu nebo novinku...

...a zadna neprisla :-(

No nic, doufam, ze aspon ostatni ctenari si to uzili. Ze bych taky napsal o sve disertaci na root, i kdyz se to tyka jen zpracovani signalu? ;-)

No aspon ze som si zopakoval slovencinu. Idem spat.

Jakou presne delate dizertaci (zajima me to zpracovani signalu) ?

HK

"Bayesovske metody zpracovani signalu NMR". To moc nepomohlo, vidte? Ale to sem nepatri, pokud si o tom chcete pokecat, tak vkotala at mistral dot cz.

je toto odvetvi, tak pozdadu oproti konvencimu pristup u. Neco o dvou panech a jejich dukazu, ze neuronove site jsou na nic, kdyz nedokazou realizovat Xor (mimochodem brutalni omyl). Neco by bylo vhodne uvest o Neocognitronech, RBF, Kohonen atd atd. :)

Ti dvaja pani, co ich myslite, su zrejme Minsky a Papert a ich praca o PERCEPTRONE z 1969. Nebol to omyl, dokonca ani brutalny, perceptron (jednovrstvova neuronova siet) sa naozaj nevie naucit XOR. Oni si sice mysleli, ze viacvrstvove neuronove siete s viac neuronmi tiez moc nepomozu, ale toto nedokazali - bola to len hypoteza
(http://homepage.cs.latrobe.edu.au/image/perceptron.html)

ad 'pozadu':
nemyslim, ze je pozadu. skor nie je mediami tak popularizovane. pri rozponavani obrazov (especialne OCR) su NS zakladom, pri inych typoch uloh sa mozu kombinovat s inymi pristupmi...

ad XOR problem:
Minsky a Papert v r.1969(!) poukazali na problemy perceptronov pri klasifikacii linearne neseparovatelneho nadpriestoru hodnot. v 1986(!) pani Rumelhart, Hinton a Williams zverejnili alg. error backpropagation - ktory umoznoval ucit NS so skrytymi vrstvami a tym odstranil XOR problem. ale mame r.2003 a tieto problemy su uz davnou historiou...
a kto ma zaujem o dalsie a sirsie informacie ma predsa na konci clanku link na skutocne kvalitny zdroj.

Ufffff ........ dnes se pise rok 2_0_0_3 ;-) Promin ale trochu mi to pripada jako kdyby nekdo dneska prisel na kosmologickou konferenci a prohlasil "vsichni jste uplne mimo, kazdy prece vi ze zeme je placata!"

Ti dva panove dokazali ze _jednovrstve_ NS jsou "nanic", zaroven prohlasili ze vicevrstve tento problem nemaji ale ze nikdo nevi jakym zpusobem je ucit. A tito dva panove take zapricinili zastaveni vyzkumu NS na x let.

Aj ked je pravda MLP je najcastejsie pouzivana neuronova siet a ma svoje vyhody a nevyhody...

4-3-3-2 sa uci spravidla lepsie ako 4-4-2-2 alebo
4-2-4-2 , ale na root-e b som cakal skor nejake klasifikacne siete so zovseobecnovanim a tam je nepisanym kralom RBF siet. Podla mna totiz ludsky mozog je RBF siet..

To by bylo moc jednoduché. Lidský mozek obsahuje všechny typy sítí a ještě něco navíc... Skoro jako reklama... :-)

Tak to urcite neni ;-)

Pokud vím, tak zrovna SOM se často používají k visualizaci dat (resp. vztahů v nich) způsobem přístupným člověku, a to dost přímočaře, protože ty váhy resp. vektory lze jednoduše interpretovat. Příkladů, kdy je význam vah dost nejasný, ale ,,prostě to nějak funguje``, lze samozřejmě uvést spoustu, ale ne vždy neuronová síť == černá skříňka.

SOM se používá i např. ke klasifikaci hvězných objektů nebo k rozdělení smíchaných signálů atd...

OT: Jako simulátor NN (NS jsem tady viděl prvně) doporučuji http://www-ra.informatik.uni-tuebingen.de/SNNS/

v debianu balik snns

SOM sa sice pouzivaju k vizualizacii/najdeniu (na 1.pohlad nie-celkom-zrejmych) vztahov medzi udajmi, avsak nie az tak priamociaro, ako sa moze zdat. hodnota kazdeho vystupneho neuronu zavisi od hodnot _vsetkych_ vstupnych neuronov + od hodnot neuronov v urcenom okoli daneho neuronu vo vystupnej vrstve. to moze znamenat napr: "vystupny neuron Q je aktivny ak su aktivne vstup. neurony A, B, C a nie su aktivne D, E, F, alebo su aktivne A, B, D a nie su C a F, alebo ...". vo vseobecnosti NS _su_ cierne skrinky a len vo _vynimocnych_ pripadoch je z nich mozne priamo extrahovat naucene pravidla.

Moc jsem se nasmám. NS je pravděpodobně jediný přínost článku (myslím ti zkratku) jinak nic, NIC. Polopravda je škodlivější než lež. Běž se doučit, autore.

Neviem co ma tento clanok robit na root.cz, ale ked uz je to taka zaujimava tema. Ale tomu co sa v tom vyzna to nic nepovedalo a tomu co nie si myslim, ze uvod do neuronovych sieti bol spracovany viac krat, kvalitnejsie...

Ale ked sa uz o tom bavime, tak myslim si ze v oblasti NS je velmi malo spropagovana jedna myslienka, na ktoru som narazil ked som sa s tym kedysi hrajkal. A to tzv "dying neural network" alebo "creativity machine". Viac najdete na
http://www.imagination-engines.com/technologies/cm.htm

Kazdopadne viem ze tak pred 5 rokmi co som sa tomu venoval bol dost velky problem vo vypoctovych schopnostiach pocitacov na simulacie NS. Myslim ze dnes to vyzera inak a privital by som najma na root.cz keby niekto napisal (ak sa tomu niekto venuje) ci sa niekde nerobi nejake distribuovane sparcovanie na viacerych zosietovanych compoch napr pod UNIXom.

A na zaver este taka mala vyzva. Momentalne studujem druhu VS odbor fyzika, a kedze mam uz jednu informaticku VS za sebou napadla ma zaujimava tema na diplomovku ktora by sa tykala spracovania spektrografickych(metrickych) signalov pomocou NS. Ono by to mohol byt dost rozsiahly projekt a ja by som to chcel zacat robit ako OSS. Tak ak by sa niekto chcel pridat tak nech ma kontaktuje emailom.

PS: este pre tych co nevedia co je to spektrometer tak je to take one co sa pouziva na analyzu struktury latok a vystupny signal vyzera dost podobne niecomu ako zvukovy signal, az na to ze to ma trosku ine specifika. Takze uvitam aj ludi co o spektrometroch nist nevedia

Priatelia dobry den, chcem sa spytat, kto by mi pomohol s modelovanim, riadenim, aplikovanim rbf sieti na procesy v priemysle, ci by mi poradil konkretne priklady, kde sa daju rbf siete aplikovat a podiskutoval o ich funkcii. Dost by mi pomohol na zaciatku nejaky startovaci bod, nakolko mam zaujem rbf siete kompletne preskenovat. Dakujem vopred. Zdravi Ferry