Welche guten Ressourcen gibt es, um mehr über künstliche neuronale Netze zu erfahren?[geschlossen]

StackOverflow https://stackoverflow.com/questions/478947

  •  20-08-2019
  •  | 
  •  

Frage

Ich interessiere mich wirklich für künstliche neuronale Netze, suche aber nach einem Ausgangspunkt.

Welche Ressourcen gibt es und was ist ein gutes Startprojekt?

War es hilfreich?

Lösung

Hier sind einige Beispiele für Neural Net-Programmierung. http://www.codeproject.com/KB/recipes/neural_dot_net.aspx

Sie können anfangen zu lesen hier: http: // web .archive.org / web / 20071025010456 / http: //www.geocities.com/CapeCanaveral/Lab/3765/neural.html

Ich für meinen Teil, einen Kurs über sie besucht haben und arbeitete durch einige Literatur.

Andere Tipps

Geben Sie zunächst alle Vorstellungen auf, dass künstliche neuronale Netzwerke irgendetwas mit dem Gehirn zu tun haben, außer einer vorübergehenden Ähnlichkeit mit Netzwerken biologischer Neuronen.Das Erlernen der Biologie wird Ihnen nicht dabei helfen, neuronale Netze effektiv anzuwenden;Das Erlernen linearer Algebra, Infinitesimalrechnung und Wahrscheinlichkeitstheorie wird es ermöglichen.Sie sollten sich zumindest mit der Idee der grundlegenden Differenzierung von Funktionen, der Kettenregel, partiellen Ableitungen (dem Gradienten, der Jacobi- und der Hesse-Funktion) und dem Verständnis der Matrixmultiplikation und -diagonalisierung vertraut machen.

Wenn Sie ein Netzwerk trainieren, optimieren Sie in Wirklichkeit eine große, mehrdimensionale Funktion (Minimierung Ihres Fehlermaßes in Bezug auf jedes der Gewichte im Netzwerk). Daher kann sich eine Untersuchung von Techniken zur nichtlinearen numerischen Optimierung als aufschlussreich erweisen.Dies ist ein weithin untersuchtes Problem mit einer großen Literaturbasis außerhalb neuronaler Netze, und im Internet sind zahlreiche Vorlesungsunterlagen zur numerischen Optimierung verfügbar.Zu Beginn verwenden die meisten Leute einfach Gradientenabstieg, aber dies kann viel langsamer und weniger effektiv sein als differenziertere Methoden wie z

Sobald Sie die Grundideen verstanden haben, können Sie mit verschiedenen „Squashing“-Funktionen in Ihrer verborgenen Ebene experimentieren, verschiedene Arten der Regularisierung hinzufügen und verschiedene Optimierungen vornehmen, um das Lernen zu beschleunigen.Sehen dieses Papier für eine umfassende Liste der „Best Practices“.

Eines der besten Bücher zu diesem Thema ist das von Chris Bishop Neuronale Netze zur Mustererkennung.Es ist zu diesem Zeitpunkt schon ziemlich alt, stellt aber immer noch eine hervorragende Ressource dar, und gebrauchte Exemplare können Sie häufig online für etwa 30 US-Dollar finden.Das Kapitel über neuronale Netze in seinem neueren Buch, Mustererkennung und maschinelles Lernen, ist auch recht umfassend.Für ein besonders gutes umsetzungsorientiertes Tutorial, siehe dieses auf CodeProject.com Es implementiert eine clevere Art von Netzwerk namens Faltungsnetzwerk, das die Konnektivität so einschränkt, dass es sehr gut darin ist, visuelle Muster zu klassifizieren.

Support-Vektor-Maschinen und andere Kernel-Methoden erfreuen sich großer Beliebtheit, da Sie sie anwenden können, ohne zu wissen, was zum Teufel Sie tun, und oft akzeptable Ergebnisse erzielen.Neuronale Netze hingegen stellen große Optimierungsprobleme dar, die eine sorgfältige Abstimmung erfordern, obwohl sie für viele Probleme immer noch vorzuziehen sind, insbesondere für groß angelegte Probleme in Bereichen wie Computer Vision.

Ich würde sehr diese ausgezeichnete Serie von Anoop Madhusudanan empfehlen auf Code Project .

Er führt Sie durch die Grundlagen zum Verständnis, wie sie in einer Arbeit einfache Art und Weise zu verstehen, und zeigt Ihnen, wie seine brainnet Bibliothek benutzen, um Ihre eigenen zu erstellen.

Neuronale Netze sind déclassé Art in diesen Tagen. Support-Vektor-Maschinen und Kernel-Methoden sind besser für mehr Klassen von Problemen dann Backpropagation. Neuronale Netze und genetische Algorithmen, um die Phantasie der Menschen erfassen, die nicht viel über die moderne maschinelles Lernen wissen, aber sie sind nicht Stand der Technik.

Wenn Sie mehr über AI und maschinelles Lernen lernen wollen, empfehle ich das Lesen Peter Norvig künstliche Intelligenz: Ein moderner Ansatz . Es ist eine breite Übersicht über AI und viel moderner Technik. Es geht über die Geschichte und ältere Techniken zu, und geben Sie eine umfangreichere Ausbildung in den Grundlagen der KI und maschinelles Lernen.

Neuronale Netze sind ziemlich einfach, aber. Vor allem, wenn Sie einen genetischen Algorithmus verwenden, um die Gewichte zu bestimmen, anstatt richtige Backpropagation.

I zweite DWF 's Empfehlung von Neuronale Netze für Mustererkennung von Chris Bishop. Obwohl, es ist vielleicht kein Starter Text. Norvig oder ein Online-Tutorial (mit Code in Matlab!) Wäre wahrscheinlich eine sanftere Einführung sein.

Ein guter Starter Projekt würde OCR (Optical Character Recognition) sein. Sie können in Textseiten scannen und jedes Zeichen durch das Netzwerk, um Klassifizierung durchzuführen füttern. (Sie müssten zuerst das Netzwerk natürlich trainieren!).

Raul Buch Rojas' ist aa sehr guter Start (es ist auch kostenlos). Auch Haykin Buch 3. Auflage , obwohl großvolumiger, ist sehr gut erklärt .

Ich kann empfehlen, wo nicht zu starten. Ich kaufte Eine Einführung in Neuronale Netze von Kevin Gurney, die gute Kritiken auf Amazon hat und behauptet, eine „sehr zugänglich Einführung in eines der wichtigsten Themen in der kognitiven und Informatik“ zu sein. Persönlich würde ich dieses Buch nicht als Start empfehlen. Ich kann nur etwa 10% davon, begreifen aber vielleicht ist es nur ich (Englisch ist nicht meine Muttersprache). Ich werde in andere Optionen aus diesem Thread suchen.

http://www.ai-junkie.com/ann/evolved /nnt1.html ist eine anschauliche Einführung in Multi-Schichten perceptron, obwohl es den Backpropagation-Algorithmus beschreibt nicht

Sie können auch einen Blick auf generation5.org haben, die eine Menge von Artikeln über AI im Allgemeinen bietet und hat einige großartige Texte über neuronale Netzwerk

Wenn Sie nichts dagegen haben, Geld, Das Handbuch der Gehirn-Theorie und Neuronale Netze ist sehr gut. Es enthält 287 Artikel über die Forschung in vielen Disziplinen. Es beginnt mit einer Einführung und Theorie und dann hebt Wege durch die Artikel an Ihre Interessen abdecken.

Wie für ein erstes Projekt, Kohonen-Karten interessant sind Kategorisierung : versteckte Beziehungen in Ihrer Musik-Sammlung finden, einen intelligenten Roboter , bauen oder die Netflix Preis lösen.

Ich denke, ein guter Ausgangspunkt immer Wikipedia . Dort finden Sie einige nützliche Links zu Dokumentationen und Projekte finden, die auch neuronale Netze verwendet werden.

fand ich Fausett Fundamentals of Neural Networks eine einfache und leicht zu -get-in Einführungslehrbuch.

Ich fand das Lehrbuch „Computational Intelligence“ unglaublich hilfreich sein.

Programmierung Collective Intelligence beschreibt dies im Zusammenhang mit der Suche und Ranking-Algorithmen. Auch im Code verfügbar hier (in CH.4), die in dem Buch diskutierten Konzepte dargestellt in einem Python-Beispiel.

ich mit den anderen Menschen stimmen darin überein, der sagte, dass die Biologie zu studieren ist nicht ein guter Ausgangspunkt ... weil Theres eine Menge von irrelevanten Informationen in der Biologie. Sie brauchen nicht zu verstehen, wie ein Neuron seine Funktionalität neu erstellen funktioniert - Sie müssen nur ihre Aktionen simulieren. Ich empfehle von Ray Kurzweil „Wie man einen Geist erstellen“ - es geht in den Aspekt der Biologie, die für die Rechenmodelle relevant ist, (ein simualted Neuron Schaffung von mehreren Eingängen kombiniert und das Brennen einmal ein Schwellenwert erreicht ist), aber ignoriert die irrelvant Sachen wie wie eigentlich das Neuron fügt thouse Eingänge togeather. (Sie werden nur + und eine Ungleichheit mit einem Schwellenwert zu vergleichen, zum Beispiel)

Ich mag auch darauf hinweisen, dass das Buch nicht wirklich ist ‚einen Geist zu schaffen‘ - es konzentriert sich nur auf hierarchische Mustererkennung / Neocortex. Das allgemeine Thema ist seit den 1980er Jahren darüber gesprochen Ich glaube, so gibt es viele ältere Bücher, die wahrscheinlich etwas veraltet Formen der gleichen Informationen enthalten. Ich habe die besagt, ältere Dokumente zu lesen, dass das Vision-System, beispielsweise ein mehrschichtiger Mustererkennungs ist. Er behauptet, dass dies auf die gesamte Neocortex gilt. Auch nehmen seine Vorhersagen 'mit einem Körnchen Salz - seine Hardware-Schätzungen wahrscheinlich ziemlich genau sind, aber ich denke, er unterschätzt, wie kompliziert einfache Aufgaben sein können (zB: Autofahren). Zugegeben, er hat viele Fortschritte gesehen (und ein Teil einen Teil davon gewesen), aber ich denke immer noch, er zu optimistisch ist. Es gibt einen großen Unterschied zwischen einem AI Auto einer Meile erfolgreich 90% der Zeit fahren zu können, wenn sie auf das 99,9 +% im Vergleich, dass ein Mensch tun kann. Ich erwarte nicht, jede KI wirklich mich zu fahren für atleast 20 Jahre ... (Ich zähle nicht BMW Draisinen, die ‚trainiert‘ wird auf dem tatsächlichen Kurs müssen, da sie nicht wirklich spielen die gleiche Spiel)

Wenn Sie bereits eine grundlegende Vorstellung davon haben, was AI ist und wie sie modelliert werden kann, können Sie besser dran Skipping, um etwas mehr technischer Natur sein.

Wenn Sie wollen lernen schnell über Anwendungen von einigen neuronalen Netzen Konzepten auf einem echten Simulator, gibt es ein großes Online-Buch (jetzt wiki) namens ‚Computational Cognitive Neuroscience‘ unter http://grey.colorado.edu/CompCogNeuro/index.php/CCNBook/Main

Das Buch an Schulen als Lehrbuch verwendet wird, und führt durch viele verschiedene Hirnareale, von einzelnen Neuronen des ganzen Weg zu höherer Ordnung exekutiver Funktionen.

Darüber hinaus wird jeder Abschnitt bei den Hausaufgaben ‚Projekte‘ ergänzt, die für Sie schon unten sind. Einfach herunterladen, folgen Sie den Schritten, und simuliert alles, was das Kapitel darüber gesprochen. Die Software, die sie verwenden, Emergent, ist ein wenig finnicky aber unglaublich robust. Es ist das Ergebnis von mehr als 10 Jahren der Arbeit, die ich glaube,

Ich ging durch sie in einer Klasse under vergangene Semester, und es war toll. Führt Sie durch alles Schritt für Schritt

Lizenziert unter: CC-BY-SA mit Zuschreibung
Nicht verbunden mit StackOverflow
scroll top