Cтраница 3
Замечательная особенность задачи обучения распознаванию обравов состоит в том, что для нее всегда абсолютная величина потерь не превосходит единицу. [31]
При решении задачи обучения без учителя самыми несложными являются алгоритмы, основанные на мерах близости. [32]
При решении задач обучения процесс выделения объекта из среды вовсе не тривиален, как может показаться с первого взгляда. Только в очень простых системах обучения объектом является сам ученик. Действительно, социальные связи ученика естественным образом включаются в процесс обучения, что расширяет объект обучения на микро -, а иногда и макроокружение обучаемого. Это дает возможность в процессе обучения воздействовать на обучаемого не только непосредственно, но и через его среду, которая становится в данном случае объектом управления. Это заставляет вводить среду общения ученика в объект управления. [33]
Замечательная особенность задачи обучения распознаванию образов состоит в том, что для нее абсолютная величина потерь всегда не превосходит единицу. [34]
Однако в задачах обучения распознаванию образов принято дискретно кодировать не только признаки, отражающие качественную характеристику объекта, но и признаки, принимающие числовые значения. [35]
При этом реализуются задачи обучения рабочих безопасности труда, обеспечения безопасности зданий, сооружений и производственных процессов, создание нормальных санитарно-гигиенических условий труда; обеспечения оптимальных режимов труда и отдыха; организации лечебно-профилактического и санитарно-бытового обслуживания работающих. [36]
Тайим образом, задача обучения распознаванию образов состоит в том, чтобы в классе индикаторных функций Fix, а) найти такую, которая минимизировала бы функционал (1.3) в условиях, когда совместная плотность Pix, w) неизвестна, но задана случайная и независимая выборка пар, получепная согласно этой плотности. [37]
Особую актуальность приобретают задачи обучения и аттестации специалистов в этой сфере деятельности. Для их решения Минпромнауки России совместно с Минобразования России создан Государственный межведомственный центр по обучению и аттестации специалистов в области CALS-технологий. Созданы и используются программы обучения, учебные пособия и компьютерные технологии обучения и аттестации специалистов в области CALS на десятках предприятий и организаций. Организована разработка и издание методических рекомендации и учебников по применению CALS-технологий. Первые такие учебники и методические рекомендации уже выпущены в 1999 - 2000 году. [38]
Робот LEGO в сравнении с промышленным роботом. [39] |
Другой взгляд на задачи обучения также вынуждает идти на компромиссы. [40]
В этой книге задача обучения распознаванию образов сформулирована как наиболее простая задача восстановления зависимостей по эмпирическим данным. [41]
Таким образом, задача обучения перцептрона состоит в таком подборе коэффициентов k -, чтобы г1 при появлении на входе фигур одного образа и г О при появлении фигур другого образа. Для распознавания больше двух образов применяются несколько другие схемы, в основе которых лежит разбиение ассоциативных элементов на несколько групп. Физически эта задача решается - путем изменения смещений, подаваемых на усилитель kj, причем в режиме обучения смещения изменяются человеком-учителем, а в режиме самообучения - с помощью специальной обратной связи. [42]
Таким образом, задача обучения нейронной сети является задачей поиска минимума функции ошибки (7.25) в пространстве состояний W, и для ее решения могут быть использованы стандартные методы теории оптимизации. [43]
Таким образом, задача обучения нейронной сети сводится к задаче поиска оптимального решения. Заметим, что даже для простейших нейронных сетей эта задача является многомерной и крайне сложной. С другой стороны, цель найти сеть, удовлетворяющую условию 5шах 0, для реальных задач недостижима и обычно не ставится. Поэтому поиск оптимального решения превращается в поиск лучшего решения ( как можно меньшее значение 5), где с успехом можно применять генетические алгоритмы. [44]
В классической постановке задача обучения нейронной сети рассматривается как задача поиска минимума ошибки обучения, зависящей от параметров сети. В связи с этим для реализации алгоритмов обучения нейронной сети используются всесторонне исследованные стандартные методы оптимизации, которые в большинстве случаев позволяют найти локальный, а не глобальный экстремум. С целью повышения достоверности принимаемых на основе нейронной сети решений необходимо исследовать альтернативные алгоритмы оптимизации, позволяющие находить глобальный экстремум. Наиболее перспективными в этом плане являются генетические алгоритмы оптимизации. [45]