Ευφυή Συστήματα Ρομπότ ΘΕΜΑ 2006-07

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Admins]

Για αλλαγή του public name σας, επικοινωνήστε με έναν από τους Admins.

[serafperd]

Εμείς θεωρήσαμε ότι οι οι πρώτες είναι οι πιο παλιές και οι τελευταίες οι πιο πρόσφατες. Είναι σημαντικό, διότι αλλιώς οι προγνώσεις που ζητάει θα είναι πολύ διαφορετικές!!! Επίσης, με βάση πόσες παρελθοντικές τιμές θα γίνεται η πρόβλεψη; Θα διαλέξουμε κάποια τιμή, θα το βάλουμε όρισμα, θα μας γίνει επιφοίτηση; Εμείς, προς το παρόν το βάλαμε όρισμα...

[serafperd]

Στο 2ο θέμα με τον άνεμο, οι πρώτες τιμές στο αρχείο Wind είναι οι πιο πρόσφατες ή οι πιο παλιές;
Εσείς τι λέτε;

Εμείς θεωρήσαμε ότι οι οι πρώτες είναι οι πιο παλιές και οι τελευταίες οι πιο πρόσφατες. Είναι σημαντικό, διότι αλλιώς οι προγνώσεις που ζητάει θα είναι πολύ διαφορετικές!!! Επίσης, με βάση πόσες παρελθοντικές τιμές θα γίνεται η πρόβλεψη; Θα διαλέξουμε κάποια τιμή, θα το βάλουμε όρισμα, θα μας γίνει επιφοίτηση; Εμείς, προς το παρόν το βάλαμε όρισμα...

[ckck20]

Και γω τα ίδια βέβαια... Έστειλα mail στον Πετρίδη και περιμένω απάντηση, αλλά με τις καταλήψεις ίσως αργήσει να απαντήσει.
Πάντως, σε αυτή την άσκηση είναι πολύ φλου τα πράγματα. Πάντως, μια random() δίνει καλύτερα αποτελέσματα από αυτά που μου βγάζει το νευρωνικό δίκτυο!

[KillBill]

Καλησπέρα!
Εγώ θέλω να ρωτήσω για το πρώτο θέμα. Αλλάζοντας μόνο παραμέτρους δεν καταφέραμε κάτι καλό...    Το μόνο που πετύχαμε ήταν με το adaptive bp με 3 στρώματα να πάμε το σφάλμα σε κάτι λιγότερο από 100 Εκανε κάποιος κάτι άλλο και είχε καλύτερα αποτελέσματα?

[JAs0n-X]

Εγω προς το παρον διαβασω το tutorial του Matlab...
εχει ΑΡΚΕΤΟΥΣ αλγοριθμος που ισως φερνουν πολυ καλυτερα αποτελεσματα απο αυτους που χρησιμοποιησαμε στο εργαστηριο (BP, momentum , adaptive learning rate).

Ριξτε μια ματια και δοκιμαστε...δεν αλλαζουν πολλα συνηθως! Μονο ο τιτλος της εντολης trainXX !

[abc]

Στην άσκηση με τους ανέμους...
Παίζει ρόλο η περιγραφή της άσκησης που λέει ότι οι σταθμοί είναι σε ευθεία, δίνει αποστάσεις κλπ ή απλά μας αφήνουν αδιάφορους αυτά τα στοιχεία?

Επίσης το άλλο το δεδομένο που λέει ότι μας ενδιαφέρουν κυρίως οι Β ΒΔ άνεμοι τι το κάνουμε?

Εσείς πόσες παρελθοντικές τιμές χρησιμοποιείτε για το νευρωνικό;;;
t-1, t-2 ή πιο πολλές;

Σήμερα που κάναμε κάποιες δοκιμές, δε καταφέραμε να πετύχουμε σφάλμα μικρότερο του 0.1 (MSE).
Η άλλη η άσκηση για τους μπεκρήδες τι σας βγάζει;

Εμείς κατατάξαμε τα δείγματα ελέγχου κάπως έτσι:
1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3

με κάποια δείγματα να παλινδρομούν μεταξύ κάποιων προτύπων. (πχ. το δείγμα 15.)

Καλή συνέχεια.

[KillBill]

Η άλλη η άσκηση για τους μπεκρήδες τι σας βγάζει;

Εμείς κατατάξαμε τα δείγματα ελέγχου κάπως έτσι:
1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3

με κάποια δείγματα να παλινδρομούν μεταξύ κάποιων προτύπων. (πχ. το δείγμα 15.)

Καλή συνέχεια.

Εμας μας βγαζει: 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3
δλδ 11 * 1, 15* 2 και 9*3, αλλά κι εμάς μερικές φορές 'παίζουν'. Τι δίκτυο χρησιμοποιήσατε?Σαν αυτο του εργαστηρίου με άλλες παραμέτρους ή άλλο? Εμας δεν εβγαινε από τα έτοιμα του εργαστηρίου και κάναμε ένα έτσι όπως το λέει στο help του matlab.

[abc]

Εμας μας βγαζει: 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3
δλδ 11 * 1, 15* 2 και 9*3, αλλά κι εμάς μερικές φορές 'παίζουν'. Τι δίκτυο χρησιμοποιήσατε?Σαν αυτο του εργαστηρίου με άλλες παραμέτρους ή άλλο? Εμας δεν εβγαινε από τα έτοιμα του εργαστηρίου και κάναμε ένα έτσι όπως το λέει στο help του matlab.

Καλημέρα 

Εμένα το παράδειγμα ήταν ποιοτικό. Δε ξέρω πόσους άσσους, πόσα δύάρια και τριάρια βγάζει, αλλά τα βγάζει με αυτό το πρότυπο, στη σειρά δλδ.

Η αρχιτεκτονική μας είναι κλασσική feedforward backpropagation. Εξάλλου αυτό είναι και το ζητούμενο, έτσι μας είχε πεί στα εργαστήρια, ότι δλδ θα ασχοληθούμε με feedforward backpropagation δίκτυα. Φυσιικά εσύ μπορείς να του προτείνεις και κάτι άλλο...

Σχετικά με τον τρόπο εκπαίδευσης, χρησιμοποιήσαμε τα πάντα από backpropagation.
Δε δίνουν βέβαια όλοι οι αλγόριθμοι τα ίδια αποτελέσματα. Πάντως, όλοι φαίνεται ότι ακολουθούν το ίδιο πρότυπο:
1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3.

Τώρα, σχετικά με τον άνεμο.
Χρησιμοποιούμε μόνο 2 παρελθοντικές τιμές για πρόβλεψη των 0,2,5,8 μεταγενέστερων στιγμών.
Λέω να το αλλάξω σε 3 και 4 τιμές να δω αν αλλάξει η ακρίβεια των αποτελεσμάτων.

Κανείς άλλος για τον αέρα;
Σε μπουνάτσα πέσαμε ορεέ;
 

[lars]

Λοιπόν, επειδή μόλις τέλειωσα με το διάβασμα του tutorial για το toolbox, μπορεί να μου πει κάποιος, όσον αφορά στο πρώτο θέμα, θα χρησιμοποιήσουμε τις συναρτήσεις που δίνει αυτός και με τη μορφή που τις δίνει μόνο? Στο tutorial βρήκα π.χ. την εντολή newff για τη δημιουργία του δικτύου όπου βάζεις σε ένα από τα  ορίσματα τον τύπο του αλγορίθμου εκπαίδευσης,
Ακόμη, βρήκα και πολλούς άλλους αλγορίθμους, όπως είπε και ο Jason..

 Επίσης, αν χρειάζεται να χωρίσουμε τα δεδομένα σε training set, validation set και test set, ο διαχωρισμός θα γίνει αυθαίρετα?

 Και τέλος, έκανε κανένας preprocessing στα δεδομένα??
 

[tolos]

 Λοιπον Lars εγω εχω την εντυπωση οτι εχουμε την πληρη ελευθερια να χρησιμοποιησουμε οποια συναρτηση θελουμε. Τα παραδειγματα των εργαστηριων ειναι γραμμενα σε παλαιοτερο matlab και για αυτο η διαφορετικη γραφη τους. πχ. στην εκδοση 6.5 που εχω εγω υπαρχει σαφης οδηγια οτι ενας αλγοριθμος εκπαιδευσης ειναι καλυτερος σε σχεση με τους αλλους σε pattern recognition(που ειναι το πρωτο θεμα). Τα δεδομενα ειναι ηδη χωρισμενα σε training set και test set αρα δεν χρειαζεται να κανουμε και πολλα.
Οσο αναφορα το τελευταιο εμεις ειχαμε αποφασισει να κανουμε prepocessing οταν την δουλευαμε(βεβαια μετα την αφησαμε...)

[JAs0n-X]

Επίσης, αν χρειάζεται να χωρίσουμε τα δεδομένα σε training set, validation set και test set, ο διαχωρισμός θα γίνει αυθαίρετα?

Ενας εμπειρικος κανονας λεει 70% training - 30% test!
Κατα τ αλλα με καλυψε ο Τολος.

[lars]

Ευχαριστώ παίδες!

@Tolos: Όταν αναφερόμουν σε training,validation και test sets, εννοούσα για τα δεδομένα που βρίσκονται μόνο στο wine_train.dat, αφού στο wine_test.dat δεν έχουμε τα targets για έλεγχο.

[tolos]

Αααααα,τωρα το πιασα. Ετσι οπως ειναι τα δεδομενα μας απλα εχουμε ενα training set και τιποτε αλλο. Ουσιαστικα το wine_test.dat ειναι test set αλλα μην εχοντας την τελευταια στηλη δεν μπορουμε να το χρησιμοποιησουμε ετσι.

[lars]

Ναι, ακριβώς.

Δοκίμασα κάποιους αλγορίθμους. Στο σετ εκπαίδευσης δεν έχουμε πρόβλημα. Στο τεστ ελέγχου(γύρω στις 40 μετρήσεις), σε μία ή δύο μετρήσεις βγάζει λάθος αποτέλεσμα! Στη χειρότερη, θα το θεωρήσουμε στατιστικό σφάλμα( ) αλλά υπάρχει κανένας άλλος με παρόμοιο πρόβλημα??

[dictator23]

Φιλε lars δε νομιζω ο Πετριδης να εχει τοσο μεγαλες απαιτησεις!To σωστο pattern πρεπει να ειναι 11 ασσοι 15 δυαρια και 9 τριαρια.Εμενα με παραξενευει που τις πιο πολλες φορες στο δικτυο μου το σφαλμα πεφτει αμεσως αρκετα χαμηλα ενω αλλες(σχετικα λιγες) δεν πεφτει οσο πρεπει.Οποτε για να εχω μικρο σφαλμα τρεχω το δικτυο μερικες φορες(λολ) και  οταν ειναι μικρο το σφαλμα κανω sim και τα αποτελεσματα ειναι αριστα(το πολυ να κανει ενα δυαρι  ασσο).Εχετε καποια προταση-λυση ισως γιαυτο;Δηλαδη πως θα εξασφαλισω μια σταθερη οσο γινεται συμπεριφορα για το error goal.
 Το δικτυο που εκανα ειναι με την newff,3 layers (1o tansig,7 νευρωνες 2o και 3ο purelin(7 και 1 νευρωνας αντιστοιχα) σαν συναρτησεις μεταφορας )  με αλγοριθμο τον default,τον trainlm που ειναι και ο πιο γρηγορος.
Αυτα με τα οποια προχειρα μπορω να πω οτι μπορει να παιξει κανεις ειναι ο αριθμος των layers,των νευρωνων,των συναρτησεων μεταφορας και των αλγοριθμων.Για μοιραστε εμπειρια παρακαλω οι πιο διαβασμενοι!