![[テーマ] 講義の構成
教師なし学習とHebb則
⾃自⼰己組織化マップ
Rによるシミュレーション
まとめ](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Recommended
Recommended
More Related Content
Recently uploaded
Recently uploaded (8)
C13
- 1. ⾃自⼰己組織化マップ ⾃自⼰己組織化とは ⼊入⼒力に対する正解（教師信号）を⽤用いず 外界との相互作⽤用をもとに学習を⾏行うことをいう。 ⾃自⼰己組織化マップは似た特徴を持つ データを空間的に近い場所に配置した 低次元のマップを作成する。 &KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU KDSWHU
- 3. 教師なし学習とHebb則
- 5. ˝˷ƪ˿̅ $ ˝˷ƪ˿̅ % ˉ˜˩ˋ Hebb則 シナプスの可塑性 シナプスの伝達効率が 時間とともに変化
- 6. ˝˷ƪ˿̅ $ ˝˷ƪ˿̅ % ˉ˜˩ˋ Hebb則 シナプスの可塑性 シナプスの伝達効率が 時間とともに変化 Hebb則 「ニューロンAが発⽕火して ニューロンBが発⽕火する」 ということが繰り返されると A と B をつなぐ シナプス結合が強化される。
- 7. 特徴抽出細胞 Blakemore Cooper (1970) ⽣生後間もないネコを 垂直なストライプのみの 視覚環境のもとで育てる。 → ⽔水平なスリットに反応する 特徴抽出細胞が形成されない。 特徴抽出細胞の形成
- 8. 特徴抽出細胞 Blakemore Cooper (1970) ⽣生後間もないネコを 垂直なストライプのみの 視覚環境のもとで育てる。 → ⽔水平なスリットに反応する 特徴抽出細胞が形成されない。 ⽣生後の視覚環境の影響 特徴抽出細胞の形成
- 18. ⾃自⼰己組織化マップ
- 19. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ x= (x (p) 1 , · · · , x (p) i , · · · , x (p) n ) n 個の⼊入⼒力 N 個のパターン
- 20. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ wj = (w1j, · · · , wij, · · · , wnj) x= (x (p) 1 , · · · , x (p) i , · · · , x (p) n ) n 個の⼊入⼒力 N 個のパターン 結合荷重
- 21. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ 競合 結合荷重は ⼊入⼒力パターンの近さ であると考える wj = (w1j, · · · , wij, · · · , wnj)
- 22. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ 競合 d(x(p) , wc) = min j d(x(p) , wj)
- 23. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ 競合 １番⼊入⼒力に近い 結合荷重を 持つものを選ぶ d(x(p) , wc) = min j d(x(p) , wj)
- 24. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ 学習 ∆wj = hcj(t)(x(p) − wj(t))
- 26. ௬ອৰ ࡰອৰ ⾃自⼰己組織化マップ 学習 hcj = α(t) exp(− d(c, j)2 2σ2 ) 他のユニットの 結合荷重も修正
- 27. ௬ອৰ ࡰອৰ ⾃自⼰己組織化マップ 近隣は⼤大きく 遠⽅方は微かに修正 学習 hcj = α(t) exp(− d(c, j)2 2σ2 ) 他のユニットの 結合荷重も修正 0 d(c, j)
- 28. ⾃自⼰己組織化マップ ௬ອৰ ࡰອৰ 近隣は⼤大きく 遠⽅方は微かに修正 学習 他のユニットの 結合荷重も修正 hcj = α(t) exp(− d(c, j)2 2σ2 )
- 29. ௬ອৰ ࡰອৰ ⾃自⼰己組織化マップ 近隣は⼤大きく 遠⽅方は微かに修正 学習 他のユニットの 結合荷重も修正 hcj = α(t) exp(− d(c, j)2 2σ2 )
- 30. ௬ອৰ ࡰອৰ ⾃自⼰己組織化マップ 近隣は⼤大きく 遠⽅方は微かに修正 学習 他のユニットの 結合荷重も修正 hcj = α(t) exp(− d(c, j)2 2σ2 )
- 31. Rによるシミュレーション
- 32. plot( anim4, xlim=c(-1,11), ylim=c(-1,11) ) text( anim4, rownames(anim1), pos=1 ) anim3 - som(anim2, xdim=10, ydim=10, rlen=500 ) anim4 - anim3$visual[ , 1:2] library( som ) anim1 - read.csv( “anim.csv”, header=T, row.names=1) anim2 - normalize( anim1 ) Rによる計算（som)
- 33. Rによる計算（som)
- 34. plot( anim4, xlim=c(-1,11), ylim=c(-1,11) ) text( anim4, rownames(anim1), pos=1 ) anim3 - som(anim2, xdim=10, ydim=10, rlen=500 ) anim4 - anim3$visual[ , 1:2] library( som ) anim1 - read.csv( “anim.csv”, header=T, row.names=1) anim2 - normalize( anim1 ) Rによる計算（som)
- 35. plot( anim4, xlim=c(-1,11), ylim=c(-1,11) ) text( anim4, rownames(anim1), pos=1 ) anim3 - som(anim2, xdim=10, ydim=10, rlen=500 ) anim4 - anim3$visual[ , 1:2] library( som ) anim1 - read.csv( “anim.csv”, header=T, row.names=1) anim2 - normalize( anim1 ) Rによる計算（som)
- 36. Rによる計算（som) plot( anim4, xlim=c(-1,11), ylim=c(-1,11) ) text( anim4, rownames(anim1), pos=1 ) anim3 - som(anim2, xdim=10, ydim=10, rlen=500 ) anim4 - anim3$visual[ , 1:2] library( som ) anim1 - read.csv( “anim.csv”, header=T, row.names=1) anim2 - normalize( anim1 )
- 37. まとめ