![[テーマ] 講義の構成
ニューロンのモデル
神経細胞の振る舞い
学習
まとめ](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Recommended
More Related Content
Recently uploaded
Recently uploaded (8)
C11
- 1. ニューラルネットワーク ニューラルネットワークとは 脳の神経回路網のことであり， それを模したもの。 脳を真似ることで、⽣生体が持つ機能を 機械に持たせることを⽬目的とする。
- 3. 神経細胞の振る舞い
- 6. D
- 7. E
- 8. F
- 9. ച۲Λ PV
- 10. 神経細胞の振る舞い(1) ÎĆÏ ÎĆÏ ÎćÏ ÎćÏ ÎĈÏ ÎĈÏ ×ĒĘ ×ĒĘ ച۲Λ ച۲Λ ᪭ખ Î ɫɡɘખƮ ᪭ખ Î ɫɡɘખƮ ඥΛ ඥΛ ݔൟਹ ߫ݲ ࠰ࣨரՔ ʾˑ˞ˀ ʾˑ˞ˀ
- 11. 神経細胞の振る舞い(2) ÎĆÏ ÎĆÏ ÎćÏ ÎćÏ ÎĈÏ ÎĈÏ ×ĒĘ ×ĒĘ ച۲Λ ച۲Λ ᪭ખ Î ɫɡɘખƮ ᪭ખ Î ɫɡɘખƮ ඥΛ ඥΛ ݔൟਹ ߫ݲ ࠰ࣨரՔ ʾˑ˞ˀ ʾˑ˞ˀ
- 12. 神経細胞の振る舞い(3) ÎĆÏ ÎĆÏ ÎćÏ ÎćÏ ÎĈÏ ÎĈÏ ×ĒĘ ×ĒĘ ച۲Λ ച۲Λ ᪭ખ Î ɫɡɘખƮ ᪭ખ Î ɫɡɘખƮ ඥΛ ඥΛ ݔൟਹ ߫ݲ ࠰ࣨரՔ ʾˑ˞ˀ ʾˑ˞ˀ
- 13. 神経細胞の振る舞い(4) ÎĆÏ ÎĆÏ ÎćÏ ÎćÏ ÎĈÏ ÎĈÏ ×ĒĘ ×ĒĘ ച۲Λ ച۲Λ ᪭ખ Î ɫɡɘખƮ ᪭ખ Î ɫɡɘખƮ ඥΛ ඥΛ ݔൟਹ ߫ݲ ࠰ࣨரՔ ʾˑ˞ˀ ʾˑ˞ˀ
- 14. ニューロンのモデル
- 17. AND回路 15 1 x y 2 x 1 1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 = Ñ 1 x 2 x w2 w1 ̝ Ó 0 = = 1 x 2 x ( ) , 0 0 ( ) , ʂɼɡ = 1 x 2 x ( ) , 1 0 ( ) , ʂɼɡ = 1 x 2 x ( ) , 0 1 ( ) , ʂɼɡ = 1 x 2 x ( ) , 1 1 ( ) , ʂɼɡ y = 0 0 Ñ = Ó15 1 0 x 1 0 x 15 Ó 0 Ñ = Ó15 1 1 x 1 0 x 05 Ó y = 0 0 Ñ = Ó15 1 0 x 1 1 x 05 Ó y = 0 0 Ñ = Ó15 1 1 x 1 1 x 05 y = 1
- 19. ˝˰ˊʶˣˊʶˀ ̝ 1 x y 2 x w2 w1 Î0Ò0Ï 0 Î1Ò0Ï Î0Ò1Ï Î1Ò1Ï 1 0 0 õô õô õô
- 20. ニューロンの組み合わせ
- 22. O 1 1 1 x 2 x ̝ 1 x y 2 x w2 w1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó ã ä 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 ã â O 1 1 1 x 2 x 15 1 x y 2 x 1 1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó ã ä 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 ã â 領域を1本の直線（超平面）で分離 AND素子
- 24. O 1 1 1 x 2 x ̝ 1 x y 2 x w2 w1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó ã ä 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 ã â O 1 1 1 x 2 x ̝ 1 x y 2 x w2 w1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó ã ä 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 ã â ザ ザ XOR
- 25. O 1 1 1 x 2 x ̝ 1 x y 2 x w2 w1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó ã ä 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 ã â O 1 1 1 x 2 x ̝ 1 x y 2 x w2 w1 y Ġ 1 0 Ñ 1 x 2 x w2 w1 ̝ Ó ã ä 0 Ñ 1 x 2 x w2 w1 ̝ Ó 0 ã â 1本の直線では分離不可能 XOR
- 27. 学習
- 28. 学習 結合荷重の値を変更させるしくみを学習という。 学習によって、ある機能を持つような ニューラルネットワークを作る。 正解を元に学習する 教師あり学習 (第12回) 正解なしで学習する 教師なし学習 (第13回)
- 29. ̝ w w2 1 1 x 2 x w 1 1 x 2 x 1 w2 ̝ w3 学習（１） y = f(w1x1 + w2x2 + w3x3) (x3 = 1)
- 30. ̝ w w2 1 1 x 2 x w 1 1 x 2 x 1 w2 ̝ w3 パーセプトロンの学習（２） wi(t + 1) = wi(t) − !(y − ŷ)xi
- 31. パーセプトロンの学習 ⼊入⼒力が 1 の時、 1 を出すべきなのに 0 だった 結合を増やす 0 を出すべきなのに 1 だった 結合を減らす 線形分離可能であれば必ず有限回で収束する wi(t + 1) = wi(t) − !(y − ŷ)xi
- 33. まとめ