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!

[height=400]

  Όταν ανεβάζουμε φωτογραφίες στις Ανακοινώσεις και Έκτακτα νέα, βάζουμε τη μεγαλύτερη πλευρά 400 (width=400 ή height=400 ). π.χ. [img height=400 (κλείνει η αγκύλη) 

[JAs0n-X]

Φυσιολογικο ειναι αυτο που συμβαινει και καλα νομιζω το κανεις...
Εφοσον η εκπαιδευση του νευρωνικου ξεκιναει καθε φορα απο ενα random σημειο πανω στην καμπυλη που θες να ελαχιστοποιησεις λογικο ειναι να εχεις διαφορετικα αποτελεσματα...

Οποτε μολις πιασεις το καλο ... Save !!

[dictator23]

Ψαρεουμε weight matrices ρε;λολ  .Btw ευχαριστω Ιασονα

[Tsihiro]

Τελικά χρειάζεται να χωρίσουμε τα δεδομένα του training σε set test set,validation set,trainig set?

[JAs0n-X]

Δεν το λεει πουθενα αλλα για να καταλαβεις εσυ ποσο καλο ειναι το δικτυο σου (που εκπαιδευσες με καποια δεδομενα) ΝΑΙ χρειαζεται.

[lars]

1) Όσον αφορά στο διαχωρισμό κ α ι σε validation set, διάβασα ότι χρησιμοποιείται για early stopping, σωστά? Δε ξέρω αν χρειάζεται σίγουρα σε αυτή την περίπτωση, εννοώ δεν είμαι σίγουρος..

2) Γενικά, εμείς χωρίσαμε τις 3 κατηγορίες των κρασιών σε 001,010,001 για την πρώτη, δεύτερη και τρίτη, όπως είχε στο παράδειγμα του εργαστηρίου με το IRIS. Έχουμε χρησιμοποιήσει για εκπαίδευση resilient backpropagation, γιατί έχει τρελλή διαφορά από τους άλλους(ελαχιστοποιεί το σφάλμα έως 10^-8 μέσα σε ελάχιστες εποχές).
Στο test set βγάζει ένα με δύο αποτελέσματα λάθος αλλά εντελώς λάθος!
Δηλαδή αντί για 001 βγάζει 010, ούτε δεκαδικό πιο κάτω(π.χ. 0 0.98 0) και δε μπορώ να καταλάβω που είναι το λάθος!!

[tolos]

 Τι μεγεθος εχει το δικτυο? Υπαρχει η εξης περιπτωση. Να υπερεκπαιδευεται για τα συγκεκριμενα δεδομενα εκπαιδευσης και να εμφανιζει σημαντικα λαθη για δεδομενα που του παρουσιαζονται για πρωτη φορα. Εγω δεν καταλαβα πως εχετε συμπαιρανει στο ποια ειναι πανω κατω τα σωστα αποτελεσματα του test.dat

[lars]

2 layers με 15 νευρώνες έχουμε.. Χωρίζουμε μετά το train.dat και έχουμε κάνει διάφορους συνδυασμούς για training και test set αλλά παρόμοια αποτελέσματα βγάζουμε.
Αν είναι όντως πρόβλημα γενίκευσης, όπως λες tolos, τότε τι κάνουμε??
Early stopping χλωμό να πετύχει, γιατί συγκλίνει πολύ γρήγορα ο αλγόριθμος.

[tolos]

Αν ειναι προβλημα γενικευσης τοτε απλα μικραινεις το μεγεθος του δικτυου σου.

[Tsihiro]

όταν χωρίζουμε τα δειγματα της εκπαίδευσης σε test set, validation set,trainig set για την εκπαίδευση χρησιμοποιούμε όλα τα δείγματα ή μόνο του training set ?

δηλαδή έστω ότι έχω 143 δείγματα για εκπαίδευση και παίρνω τα 45 εξ'αυτών  για test set και 20 για validation set,την εκπαίδευση θα την κάνω με τα υπόλοιπα?

[abc]

Στο test θα χρησιμοποιήσεις μόνο τα υπόλοιπα δείγματα.
Είναι λάθος να χρησιμοποιήσεις για test δείγματα τα οποία τα έδωσες για εκπαίδευση...

Εσύ θες να δεις πως θα αντίδρασει το δίκτυο σε νέα δεδομένα.
Το δίκτυο παρουσιάζει φαινόμενο μνήμης σε δείγματα τα οποία τα έχεις δώσει ήδη για εκπαίδευση.

Ένας απλός εμπειρικός κανόνας είναι να πάρεις 80% των δεδομένων για train και το υπόλοιπο 20 % για test.

Δοκίμασε και δες...

 

[dictator23]

Για οσους ενδιαφερονται βαλανε τις ασκησεις του εργαστηριου σε Matlab 7 (με δικτυο newff back propagation) στο ethmmy.

[lars]

Thanx!

[JAs0n-X]

Παιδια μετα τα νεοτερα οπως καταλαβατε πρεπει να τα κανουμε ολα με traingd ή gda ή gdm.

Εκανε κανεις τιποτα? Πολεμαω τα κρασια (κανοντας pre- και post- processing) αλλα δεν μου βγαινουν καλα στα test data!
Δοκιμαζω και με ενα νευρωνα στην εξοδο (ωστα αυτη να ειναι Purelin και να πηγαινει ή 1 ή 2 ή 3) αλλα και με 3 (001, 010, 100) αλλα τιποτα!

Πετυχε κανεις καμμια καλη αρχιτεκτονικη ή ολοι εχουμε προβλημα? Γιατι αν ειναι το πρωτο μαλλον κανω λαθος καπου.

[JAs0n-X]

Ακυρο. Το βρηκα τελικα...εκανα προγραμματισικη μαλακια γι αυτο!

[dictator23]

Για το 1ο Θεμα:
 Παλικαρια ο Συρρης ζητησε να κανονικοποιησουμε τα δεδομενα δηλ ειναι αυτο στο matlab που λεει για preprocessing και postprocessing;Επισης θελει τοσες εξοδους στο layer εξοδου οσες και οι κλασεις των κρασιων.Ενταξει αυτο το εκανα.
 Εκανα επισης preprocessing και postprocessing και τα αποτελεσματα ειναι θλιβερα.Εχει κανεις κατι να προτεινει;
Αν δεν κανω αυτο τοτε τα αποτελεσματα ειναι καλα μονο με αλγοριθμο εκμαθησης trainlm.Τα traingd,trainga,traingdm ειναι για
 τα μπαζα!
Επισης δοκιμασε κανεις να χωρισει το training set (winetrain.dat) σε μικροτερα συνολα και για το καθε ενα να τεσταρει το δικτυο του;
 ......Δωστε τα φωτα σας οι πιο φωτισμενοι