Analizuj dane

1. Proszę się zapoznać z działaniem i dostępnymi funkcjami symulatora SSN w STATISTICA 4.0 2. Przeanalizuj zasadę działania automatycznego projektanta SSN. 3. Sprawdź czy poniższe zadania klasyfikacji wzorców możliwe są do realizacji przy użyciu perceptronu (czy zbiory A i B są liniowo separowalne). Rozwiązanie przedstawić na rysunku oraz za pomocą symulatora SSN. a) A={a1, a2} B={b1, b2} gdzie a1={0.5, -0.5}, a2={-0.5, -1}, b1={1, 2}, b2={-1, 2} b) A={a1, a2, a3} B={b1, b2} gdzie a1={-0.5, -0.5}, a2={0.5, 0.5}, a3={1, 1.5}, b1={0, -0.5}, b2={0, 1} c) A={a1, a2} B={b1, b2, b3} gdzie a1={-0.5, -0.5}, a2={1, -0.5}, b1={-1.5, 0.5}, b2={1, 2}, b3={-2, 1} d) A={a1, a2} B={b1, b2} gdzie a1={-2, 1}, a2={-3, 4}, b1={2, -3}, b2={1, 4} 4. Rozwiąż problem logiczny AND oraz XOR za pomocą SSN. WYMAGANIA 1. Sztuczne sieci neuronowe • budowa oraz opis matematyczny perceptronu (funkcje przejścia perceptronu), • uczenie perceptronu – reguła uczenia, • możliwości perceptronu (np.: klasyfikacja w oparciu o separowalność zbiorów) Proszę wczytać zbiór danych dla przykładu kwiatów IRIS ([login to view URL]), a następnie korzystając z APS przetestować różne typy SSN i zapisać wyniki sieci o najlepszej jakości. Utwórz nową sieć dobrac jej parametry na podstwaie w/w zadania, a następnie przeprowadź proces jej uczenia o dostępne algorytmy uczenia perceptronów wielowarstwowych. a) Porównaj, które algorytmy przyniosły najlepsze wyniki. b) Jaki wpływ na jakość uczenia miała wpływ zmiana współczynnika uczenia, bezwładnoci czy tempa zmian? c) Które z algorytmów uczenia nie nadają się do treningu SSN dla danych kwiatów IRIS? Utwórz nową sieć typu RBF i dobierz jej parametry, a następnie przeprować proces uczenia (wykorzystując dane z zadania 1) w oparciu o dostępne algorytmy uczenia. Porównaj błędy i jakość nauczonej SSN dla poszczególnych algorytmów.