Professional Documents
Culture Documents
PRIMJENE NEURONSKIH
MREA
SEMINARSKI RAD
SADRAJ
1. UVOD..................................................................................................................................1
1.1. PROBLEM, PREDMET I OBJEKT ISTRAIVANJA............................................. 1
1.2. SVRHA I CILJEVI ISTRAIVANJA........................................................................2
1.3. RADNA HIPOTEZA I POMONE HIPOTEZE....................................................... 2
1.4. ZNANSTVENE METODE.........................................................................................2
1.5. STRUKTURA RADA.................................................................................................3
2. OPENITO O NEURONSKIM MREAMA......................................................4
2.1. KRATAK HISTORIJAT NEURONSKIH MREA.................................................. 4
2.2. VRSTE NEURONSKI MREA.................................................................................6
2.3. SLINOST I RAZLIKE BIOLOKE I UMJETNE NEURONSKE MREE............7
3. PRIMJENE NEURONSKIH MREA....................................................................9
3.1. OSNOVNE PRIMJENE NEURONSKIH MREA....................................................9
4. PRIMJENA NEURONSKIH MREA U OBRAZOVANJU........................11
4.1. MODEL INTELIGENTNOG SISTEMA ZA POLAGANJE ISPITA
ZASNOVANOG NA NEURONSKIM MREAMA...............................................11
4.2. IDENTIFIKACIJA STUDENTA.............................................................................. 12
4.3. PRIJAVA ISPITA......................................................................................................14
4.4. IZBOR PITANJA ZA TEST..................................................................................... 16
4.5. PRAENJE STUDENTSKOG PONAANJA.........................................................18
4.6. MJERE ZATITE I SANKCINISANJE...................................................................20
5. ZAKLJUAK................................................................................................................21
6. LITERATURA...............................................................................................................22
1. UVOD
1.1.
naroito u posljednjih etrdeset godina, gdje dolazi do njene nagle ekspanzije, primjene i
istraivanja. Posmatramo li npr. industriju, uoit emo da su inteligentni sistemi postali
neizostavni dio, koji obavljaju zahtjevne i sloene zadatke, ali isto tako donose odluke na
osnovu prethodno steenog znanja.
Prema tome, umjetnu inteligenciju moemo posmatrati kao sistem (mainu) koja se
ponaa inteligentno, ba kao to to ljudi ine, to znai da stepen inteligencije neke maine
moemo mjeriti kroz njeno ponaanje i samostalnost. Ako ve elimo da napravimo
inteligentan sistem koji e biti samostalan, takav sistem mora i samostalno da donosi odluke
na osnovu prethodno steenog znanja, ali isto tako mora biti u mogunosti da prepozna,
obradi i pohrani novo znanje i to sve s ciljem da u budunosti donosi bolje i kvalitetnije
odluke. Primjena neuronskih mrea je raznolika i vrlo esto ih koristimo za predvianje,
klasifikaciju i asocijaciju pri rjeavanju razliitih vrsta problema. Rije je o jednom robusnom
alatu namjenjenom za rad sa ogromnim koliinama podataka, bilo da je rije o fluktuirajuim
ili podacima sa smetnjama, tako da smo u ovom sluaju neuronske mree odluili testirati u
obrazovanju.
Predmet seminarskog rada je da se istrai mogunost primjene neuronskih mrea u
obrazovanju.
U radu se mogu uoiti sljedei objekti istraivanja: neuronske mree, inteligentni
sistemi, umjetna inteligencija, itd.
1.2.
Osnovni cilj seminarskog rada a time i istraivanja je izraditi inteligntni sistem koji e
samostalno i postepeno sakupljati novo znanje te na osnovu istog donositi odluke.
Napomena; u daljnjem tekstu od 10 20 reenica student treba obrazloiti svrhu i
ciljeve istraivanja vezano za temu seminarskog rada.
1.3.
1.4.
2. PH.
3. PH.
ZNANSTVENE METODE
Metoda klasifikacije,
Statistika metoda,
Matematika metoda, i
Metoda modeliranja.
1.5.
STRUKTURA RADA
Struktura seminarskog rada je usklaena sa Uputstvom za pisanje seminarskog rada na
prvom ciklusu studija kao i temi seminarskog rada. On sadri pet poglavlja.
Prvo poglavlje, Uvod, sadri pet podpoglavlja:
-
Znanstvene metode,
Struktura rada.
2.1.
grana umjetne inteligencije pedesetih godina ovog stoljea ili tanije na konferenciji
Dartmouth Summer Research Project on Artificial Intelligence koja je najavila ostvarivanje
vizije raunarskog modela koji e u nekim temeljnim principima oponaati funkcioniranje
ljudskog mozga.
Pojavljuju se kao alternativa Von Neumann-ovim raunarima i nastoje simulirati ili
ostvariti paralelnu obradu informacija koju koristi ljudski mozak dok razmilja, sjea se i
1943 - McCullock i Pitts postavljaju temelje za razvoj neuronskih mrea tako to prvi
dokazuju da neuroni mogu imati dva stanja pobuujue i umirujue i da njihova
aktivnost ovisi o nekom pragu vrijednosti.
1949 - Hebb je prvi predloio pravilo kojim se opisuje proces uenja Hebb-ovo pravilo
1958 - Rosenblatt razvio prvu neuronsku mreu perceptron, koja je dvoslojna i nije
mogla rjeavati probleme klasifikacije koji nisu linearno djeljivi npr. XOR problem.
1974 je razvijena vieslojna perceptron mrea - MLP (Paul Werbos), kao prijetea
Backpropagation mree, koja prevladava nedostatak perceptrona uvoenjem uenja u
skrivenom sloju.
Od tada pa sve do danas sve vie raste nauni i komercijalni interes za neuronske
mree. Razvijeni su brojni algoritmi za neuronske mree. Meutim, najveu komercijalnu
upotrebu do danas ima mrea "irenje unatrag" ili eng. Backpropagation. Dakle, teorijsko
ishodite i inspiracija neuronskog raunarstva je upravo u ljudskom mozgu.
Osnovni cilj joj je spojiti sposobnost ljudi da dobro prepoznaju oblike, lica, glasove i
sposobnost raunara da izvrava brojevne proraune kao i to da radi s ogromnim koliinama
podataka.
2.2.
2.3.
Kao to smo ve ranije napomenuli bioloka neuronska mrea je jako sloena. Sastoji
se od tijela, aksona, sinapse i mnotva dendrita koji okruuju tijelo neurona.
Akson - je tanka cjevica koja s jedne strane sadri tijelo neurona, a s druge se strane
dijeli na niz grana. Na krajevima tih grana nalaze se zadebljanja koja dodiruju dendrite, a
ponekad i tijelo drugog neurona.
Sinapsa - je razmak izmeu zavretka aksona prethodnog neurona i dendrita ili tijela
sljededeg neurona.
Dendriti - su produeci staninog tijela, vrlo su tanki u odnosu na veliinu tijela
stanice i funkcija im je prikupljanje informacija.
Bioloke neuronske mree sastavni su dio ovjeka iji se mozak sastoji od 100
milijardi neurona, a zaslune su za izvoenje vrlo vanih funkcija kao to su razmiljanje,
uenje, emocije, precepcija, motorika itd. Iako se funkcije neuronskih mrea istrauju ve
dugi niz godina, brojni procesi, kao i njihov nain rada, ljudskom umu jo uvijek nisu u
potpunosti razumljivi.
Umjetne neuronske mree dizajnirane su tako da oponaaju osnovne funkcije
biolokih neuronskih mrea. Tijelo biolokog neurona zamjenjuje se sumatorom, dok ulogu
dendrita preuzimaju ulazi u sumator, izlaz iz sumatora, a uloga praga osjetljivosti biolokih
neurona preslikava se iz tzv. aktivacijske funkcije. Veza umjetnog neurona s okolinom
ostvaruje se pomou funkcijske sinaptike veze biolokog neurona. Teinski faktori mogu biti
pozitivan ili negativan broj, a imaju istu funkciju kao i sinapse kod biolokog neurona:
povezuju izlaze iz okoline neurona tj. izlaze drugih neurona aksone s ulazima sumatora
dendriti. Intenzitet te veze ovisi o iznosu, a vrsta veze o predznaku teinskog faktora.
Aktivacijske funckije dijele se na: linearne i nelinearne.
-
3.1.
dekompresovati slike u realnom vremenu. To znai da se na taj nain vri svoenje zapisa o
slici na manje podataka ime e neuronska mrea izvriti rekonstrukciju ostalih podataka.
Ipak, prilikom rekonstrukcije se javljaju gubici, tako da se ovoj primjeni i ne posveuje neka
naroita panja, tako da se ee koriste standardni naini kompresije slika.
Za kontrolu procesa za ovo podruije postoji veliki interes. U ovom sluaju
prednost neuronskih mrea je njihova fleksibilnost, odnosno mogunost
pronalaenja
prepoznavanje
znakova
ovo
podruje
primjene
je
ve
uveliko
4.1.
1
1
4.2.
IDENTIFIKACIJA STUDENTA
Da bi student mogao pristupiti ispitu potrebno je da ispuni odgovarajue uslove vezane
za identifikaciju. Kod klasinog polaganja ispita profesor ili asistent identifikuju studenta na
osnovu line (osobne) karte ili uz pomo indeksa. Oba dokumenta predstavljaju jedinstvene
identifikacione elemente.
Na slian nain se moe realizovati i identifikacija koritenjem inteligentnog sistema.
Identifikacija bi se vrila na dva naina:
1.) skeniranjem profila studenta
2.) skeniranjem line karte
Ve smo spomenuli da emo kao ulazne jedinice koristiti tastaturu, mi i web kameru.
Skeniranje profila studenta i line karte bi se vrilo koritenjem web kamere. Sistem bi
posjedovao integriran MultiScanner ija je osnovna namjena skeniranje i slanje podataka
serveru, a imao bi dvije opcije: skeniranje slike i skeniranje dokumenta. Nakon to skenira
sliku (profil studenta) i dokument (linu kartu studenta) softver uporeuje dobijene podatke sa
podacima smjetenim na serveru.
Ukoliko se podaci poklapaju student moe da pristupi polaganju ispita. Pored
MultiScanner-a u sistem je integrisan i PictureMatch koji vri poreenje slike dobijene
skeniranjem profila studenta sa slikom smjetenom u bazi znanja.
Postavlja se pitanje: ta ako je student promjenio izgled npr. kraa ili dua kosa? U
tom sluaju PictureMatch automatski pronalazi rjeenje, odnosno pokree aplikaciju za prikaz
svih moguih stanja izgleda studenta. Ukoliko je slinost npr. 90%, sistem automatski
odluuje da je rije o istom studentu i pohranjuje sliku u bazu znanja da bi ubudue znao kako
student izgleda u stvarnosti sa duom ili kraom kosom.
U ovom sluaju smo koristili metodu za prepoznavanje uzoraka koju smo detaljnije objasnili
u poglavlju 3.
4.3.
PRIJAVA STUDENTA
Inteligentni sistem nakon skeniranja i preuzimanja podataka vezanih za studenta
provjerava da li je student prijavio ispit koji trenutno eli polagati. Ako jeste, student moe da
nastavi sa rjeavanjem i odgovaranjam na pitanja ponuenih na testu, a ako nije sistem
automatski izvrava sljedee korake:
-
Sa slike 5 se moe jasno uoiti da inteligentni sistem automatski prati slijed dogaaja, a
samim tim i sve dosadanje aktivnosti, odnosno obiljeava ispit koji bi student trenutno trebao
da polae i eka potvrdu od strane studenta. Nakon to student prijavi ispit, inteligentni sistem
zatvara mjesto za prijavu ispita i postavlja pred studenta test sa pitanjima.
4.4.
odnosno asistent unositi materijale vezane za neki od testova. Uzet emo za primjer da student
treba da polae test 1.
U bazu podataka unesen je kompletan materijal (slajdovi, knjige i skripte u elektronskoj formi
itd.) koji je prezentovan studentima od strane profesora ili asistenta za vrijeme predavanja.
Pored toga, sistem posjeduje bazu u koju su automatski unsesena i pitanja vezana za test 1.
Poto je rije o inteligentnom sistemu, takav sistem moe birati pitanja na 3 naina:
1.) moe odabrati neko od ve postojeih pitanja
2.) moe samostalno formulisati pitanja sa slajdova ili iz knjige, odnsono skripte
3.) moe postavljati trik pitanja
Prvi nain je sasvim jasan. Sistem bira neko od pitanja smjetenih u bazi podataka i servira
ga studentu.
Dru gi nain je neto sloeniji. Sistem bira neki od dokumenata u elektronskoj forimi
npr. knjigu, koja je takoe smjetena u bazi podataka, te na osnovu poznatih pojmova
postavlja pitanja npr.:
Pasus 1
(dopuni)
Trei nain su takozvana trik pitanja. Sistem postavlja ovakva pitanja s namjerom da
procijeni da li student s razumijevanjem proita i izanalizira pitanje. Npr. pitanje smjeteno u
bazi podataka glasi:
1.) Glavne osobine ekspertnih sistema su: (oznaiti)
Integracija znanja
Poveavanje
dostupnosti
Nivo
subjektivnosti
Smanjenje cijena
Nivo
subjektivnosti
Smanjenje cijena
Napomena: ako ispitu pristupi vei broj studenata, svaki student dobiva zasebna pitanja i ne
moe se desiti npr. da dva studenta dobiju identian ili slian test, tako da vrijedi pravilo 1
student, 1 grupa, odnosno Student X = Grupa A ili Student Y = Grupa B itd.
4.5.
vrijeme ispita pomou animiranog tutora. Animirani tutor bi oponaao studenta, odnosno sve
promjene koje bi se deavale na licu studenta bi bile prenesene na animiranog tutora.
ta to ustvari znai? Ukoliko bi student prilikom itanja i rjeavanja nekog od
postavljenih pitanja na testu, pokazao odreene promjene na licu, takve promjene bi
rezultirale facijalnom ekspresijom odreene emocije poput promjene visine obrva, irine
oiju, zakrivljenosti usana i slino i bile bi prenesene na animiranog tutora kao to je
prikazano na sljedeim slikama.
slika 6 Ponaanje studenta za vrijeme testa
4.6.
primjene neovlatenih radnji. To znai da sistem prati cjelokupnu situaciju od trenutka kada je
test poeo, pa sve do trenutka njegovog zavretka.
Npr. ako student pokua da koristi knjigu prilikom ispita inteligentni sistem
automatski reaguje i upozorava studenta, oduzima mu bod, te pohranjuje novi podatak o
studentu. Tako sistem ubudue zna na koju neovlatenu radnju je spreman student. Nastavi li
student i dalje sa primjenom neovlatenih radnji sistem ponovo koristi mjere zatite, drugi put
upozorava studenta, oduzima mu dva boda i pohranjuje novi podatak o studentu. Ako student
po trei put nastavi sa primjenom neovlatenih radnji sistem ponitava test i sankcionie
studenta.
2
0
5. ZAKLJUAK
Neuronska mrea predstavlja jedan kompleksni matematiki sistem kojim je na
pojednostavljen nain modeliran ljudski mozak. Poto je rije o prilagodljivom sistemu, nala
je primjenu u mnogim podrujima.
Prilagodljivost se oituje u mogunosti prepoznavanja i onih primjera na osnovu kojih
mrea nije uvjebana, kao i u sluaju nesupervizornih mrea, u mogunosti konstantnog
uenja za vrijeme rada mree. Osnovni nedostatak koritenja i upotrebe neuronskih mrea lei
injenici to je pronalaenje adekvatne strukture mree i adekvatnih primjera za uvjebavanje
doista sloen i komplikovan posao. Bez obzira to su mnogi autori dali itav niz praktinih
savjeta kako je mogue strukturirati mree za primjenu na odreenom podruju, optimalni
parametri mree se mogu ustanoviti iskljuivo koritenjem niza testova.
Bez obzira na njihove nedostatke, neuronske su mree su nale svoju iroku primjenu
na razliitim podrujima ljudske djelatnosti poevi od mree Madaline koja je poznata po
tome to uklanja um u telefonskim linijama, preko analize govora, pa sve do upotrebe u
medicini, financijskim ustanovama, obrazovanju itd.
One su meusobno povezane i sa konstruktivistikom teorijom uenja. Uenje
neuronske mree se moe posmatrati kao aktivno konstruiranje reprezentacija na osnovu
ulaznih podataka. U skladu da navedenom teorijom uenja, na osnovu koje i ljudi ue na isti
nain, neuronske se mree mogu primijeniti u pokuaju razumijevanja naina na koji ljudi
ue, odnosno aktivno grade svoje reprezentacije.
Prema tome, ovaj rad predstavlja teorijske osnove koje je potrebno usvojiti da bi se
mogli upustiti u primjenu neuronskih mrea. Iznesena je jedna ideja i nain na koji bismo
mogli pristupiti realizaciji jednog inteligentnog sistema baziranog na neuronskim mreama.
Budui da je nain primjene neuronske mree potrebno dobro osmisliti, razliite ideje su
uvijek dobrodole.
Radna hipoteza: Primjenom neuronskih mrea mogue je kreirati inteligentni sistem
koji e doprinijeti kvalitetnijem savremenijem obrazovanju, u ovom seminarskom radu je u
cijelosti potvrena i dokazana. Takoer i tri pomone hipoteze su dokazane i potvrene.
2
1
6. LITERATURA
Knjige :
1.)Jaroslav E. Poliuk, Ekspertni sistemi, ETF Podgorica
2.)Latinovi B., Ekspertni sistemi, Panevropski univerzitet Apeiron Banja Luka, 2006g.
3.)Kompendium izvora iz predmeta, Ekspertni sistemi, Fakultet poslovne ekonomije, Banja
Luka, 2006g.
4.)Bonjak K. i Latinovi B. Informatika Narodna i Univerzitetska biblioteka RS, Banja
Luka, 2004g.
Tekstovi s interneta :
1.) http://eris.foi.hr/11neuronske/nn-primjena1.html
2.) http://titan.fsb.hr/~tfiletin/pdf/neuro_matest97.pdf
3.) http://www.fer.unizg.hr/_download/repository/13-Primjene-1s.pdf
4.) http://www.phy.pmf.unizg.hr/~planinic/diplomski/Kenan_Mackic.pdf
5.) http://bib.irb.hr/datoteka/426225.Diplomski_rad_-_Edin_Mangi_-_0036408241.pdf
6.)http://translate.google.ba/translate?hl=hr&langpair=en%7Chr&u=http://citeseerx.ist.psu.ed
u/viewdoc/download%3Fdoi%3D10.1.1.33.9351%26rep%3Drep1%26type%3Dpdf
7.)http://translate.google.ba/translate?hl=hr&langpair=en%7Chr&u=http://www.doc.ic.ac.uk/
~nd/surprise_96/journal/vol4/cs11/report.html 8.)http://translate.google.ba/translate?
hl=hr&langpair=en%7Chr&u=http://www.ccs.neu.edu/h ome/feneric/charrecnn.html