Professional Documents
Culture Documents
Giảng viên
Trần Thị Thanh Hải
2
Source: Neural network design
Mục tiêu
6
Luật học
7
Học có giám sát
Trong đó:
Pi là đầu vào, ti là target đầu ra
Do đầu vào được đưa vào mạng, đáp ứng của
mạng được so sánh với đầu ra ti
Luật học: làm thay đổi trọng số và bias của
mạng để cho đáp ứng đầu ra gần với target
nhất
8
Học tăng cường
9
Học tăng cường
10
Học tăng cường
11
Học không giám sát
12
Supervised or unsupervised ?
Face recognition
13
Supervised or unsupervised ?
Learning style
14
Supervised or unsupervised ?
Market segmentation
15
Kiến trúc mạng Perceptron
16
Mạng perceptron hai đầu vào
17
Bao đóng quyết định
trọng số
18
Ví dụ - Toán tử OR
19
Ví dụ - Toán tử OR
20
Mạng perceptron nhiều neurons
21
Một ví dụ
22
Ranh giới phân tách
25
Ý tưởng
26
Ý tưởng
27
Ý tưởng
28
Các khả năng
29
Tổng quát hóa
30
Huấn luyện perceptron nhiều neuron
31
Huấn luyện perceptron nhiều neuron
32
Ví dụ
Khởi tạo:
Các trọng số của mạng và vector bias sẽ được
khởi tạo ngẫu nhiên với các giá trị nhỏ
33
Ví dụ
Bước đầu:
34
Ví dụ
35
Ví dụ
Cập nhật:
36
Ví dụ
37
Chứng minh tính hội tụ của mạng
38
Khi dữ liệu không phân tách tuyến tính
39
Hàm mục tiêu
40
Tổng kết
41
MSE và RMSE
42
Mục đích của việc học
(hay tìm cực trị của hàm mục tiêu đa biến) trong
không gian đa chiều
Việc học thường không thể giải trực tiếp (do
dữ liệu lớn, việc phân tách dữ liệu phức tạp)
nên phải sử dụng các thuật toán lặp để tìm
nghiệm cận tối ưu
43
Quá trình học
44
Tổng kết
Luật học:
45
Thực hành – Bài 1
lớp dữ liệu
46
Thực hành – Bài 1
47
Thực hành – Bài 2
48
Thực hành – Bài 2
49