Kunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april 2016
|
|
- Thomas de Kooker
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 AI Kunstmatige Intelligentie (AI) Hoofdstuk 18.7 van Russell/Norvig = [RN] Neurale Netwerken (NN s) voorjaar 2016 College 9, 19 april kosterswa/ai/ 1
2 Hersenen De menselijke hersenen bestaan uit neuronen (grootte 0.1 mm; meer dan 20 types), die onderling met axonen (lengte 1 cm) en synapsen verbonden zijn: Axonal arborization Synapse Axon from another cell Dendrite Axon Nucleus Synapses Cell body or Soma 2
3 Werking hersenen Signalen worden doorgegeven via een nogal gecompliceerde electro-chemische reactie. Als de electrische potentiaal van het cellichaam een zekere drempelwaarde haalt, wordt een puls/actie-potentiaal/spiketrain op het axon gezet. Er zijn excitatory (verhogen potentiaal) en inhibitory (verlagen potentiaal) synapsen. 3
4 Units We modelleren de neuronen door middel van eenheden (units) die we ook weer neuronen noemen: a j Input Links Wj,i in i Σ a i = g(in i ) g a i Output Links Input Function Activation Function Output Er geldt: de input van neuron i is in i = j W j,i a j (de gewogen som van de inputs), waarbij de a j s de activaties van de inkomende verbindingen (inputs) zijn, en W j,i hun gewichten (W j,i weegt de verbinding tussen neuronen j en i). De activatie (output) van neuron i is a i = g(in i ), met g de activatie-functie. 4
5 Activatie-functies Veelgebruikte activatie-functies zijn: a i a i a i t in i in i in i 1 (a) Step function (b) Sign function (c) Sigmoid function step t (x) = 1 als x t; 0 als x < t (drempelwaarde t) sign(x) = 1 als x 0; 1 als x < 0 sigmoid(x) = 1/(1+e βx ) (vaak kiest men β = 1) 5
6 Bias-knopen De drempelwaarde t binnen de neuronen kan gesimuleerd worden door een extra (constante) activatie 1 in een zogeheten bias-knoop 0 met gewicht W 0,i = t op de verbinding van 0 naar i: n n step t W j,i a j = step 0 W j,i a j j=1 j=0 Zo worden drempelwaardes en gewichten uniform behandeld. De functie step 0 heet ook wel de Heaviside-functie, en lijkt op de functie sign. 6
7 Booleaanse functies Alle Booleaanse functies kunnen gerepresenteerd worden door netwerken met geschikte neuronen: W = 1 W = 1 W = 1 W = 1 t = 1.5 t = 0.5 t = 0.5 W = 1 AND OR NOT En mét bias-knopen: W 0 = 1.5 W 0 = 0.5 W 0 = 0.5 W 1 = 1 W 2 = 1 W 1 = 1 W 2 = 1 W 1 = 1 AND OR NOT 7
8 Soorten netwerken Een feed-forward netwerk heeft gerichte takken en geen cykels (in tegenstelling tot een recurrent netwerk). Vaak is zo n netwerk in lagen georganiseerd: 1 W 1,3 W 1,4 3 W 3,5 5 2 W 2,3 W 2,4 4 W 4,5 Dit netwerk heeft twee input-knopen 1 en 2, twee verborgen (= hidden) knopen 3 en 4, en één uitvoer-knoop 5. Het representeert de volgende functie: a 5 = g(w 3,5 a 3 +W 4,5 a 4 ) = g(w 3,5 g(w 1,3 a 1 +W 2,3 a 2 ) + W 4,5 g(w 1,4 a 1 +W 2,4 a 2 )) 8
9 Voorbeelden: x 1 x Voorbeelden x 1 x 2 De drempels staan naast de knopen. Het linker feed-forward netwerk representeert de XOR-functie, de verborgen units zijn in feite een OR en een AND. Het rechter netwerk representeert dezelfde functie, maar is niet conventioneel (geen lagen). 9
10 Feed-forward netwerken Een feed-forward netwerk zonder verborgen neuronen heet een perceptron. Een meerlaags (= multi-layer) netwerk heeft één of meer verborgen lagen, en alle pijlen van laag l gaan naar laag (l+1). Met één (voldoende grote) laag met verborgen units kunt je elke continue functie benaderen, en met twee lagen zelfs elke discontinue functie (Cybenko). De output van een netwerk hangt af van de parameters, de gewichten. Bij te veel parameters is er gevaar voor overfitting: het netwerk generaliseert dan niet goed. 10
11 Nog meer soorten Er zijn nog vele andere soorten netwerken, zoals Hopfield netwerken (associatief geheugen), met symmetrische gewichten w i,j = w j,i Boltzmann machines ( Deep Learning) Kohonen s Self Organizing Maps (SOM s) Support Vector Machines (SVM s), kernel machines... 11
12 Perceptron In een perceptron (geen verborgen units!) zijn de uitvoerknopen onafhankelijk: Input Units W j,i Output Units Voor een enkele output-unit geldt dat de uitvoer 1 is indien j W j x j = W 0 x 0 + W 1 x W n x n 0 en anders 0. Hierbij is (x 1,...,x n ) de invoer en x 0 = 1 de bias-knoop. 12
13 Wat kan een perceptron? De majority functie (uitvoer 1 meer dan de helft van de n inputs is 1) kan eenvoudig gemaakt worden: kies W 0 = n/2 en W j = 1 voor j = 1,2,...,n. De vergelijking W 0 + W 1 x W n x n 0 laat zien dat je precies Booleaanse functies kunt maken die lineair te scheiden zijn, de XOR-functie dus niet: x 1 x 1 x ? x 2 x x 2 x 1 x 2 x 1 x 2 (a) and (b) or (c) x 1 xor x 2 13
14 Hoe leert een perceptron? Gegeven genoeg trainings-voorbeelden, kan een perceptron elke Booleaanse lineair te scheiden functie leren. Een (hyper)vlak scheidt positieve en negatieve voorbeelden. Rosenblatt s algoritme uit 1957/60 werkt als volgt: W j W j +α x j Error met Error = correcte uitvoer net-uitvoer en α > 0 de leersnelheid (= learning rate). De correcte uitvoer heet wel de target, het doel. Als Error = 1 en x j = 1, wordt W j ietsje opgehoogd, in de hoop dat de net-uitvoer hoger wordt. 14
15 Perceptron voorbeeld We willen een perceptron x 1 AND x 2 leren, met α = 0.1: x 0 x 1 x 2 W 0 W 1 W 2 uitvoer target Error Probleem: wanneer stop je? 15
16 Perceptron anders leren We kunnen in plaats van de discontinue stapfunctie ook een gladde sigmoide g gebruiken in de knopen. Een vergelijkbaar leeralgoritme gaat dan als volgt. Zij E = 1 2 Error2 = 1 2( y g( nj=0 W j x j ) ) 2 met y de target. Met behulp van gradient descent bepalen we in welke richting de fout het snelst stijgt: E W j = Error Error W j = Error g (in) x j met in = n j=0 W j x j. Dus leerregel (let op de extra, we willen de fout laten dalen): W j W j +α Error g (in) x j. 16
17 Wat wiskunde Een kunstmatig voorbeeld: stel we proberen de uitvoer y = 5 te bereiken met de functie W 1 + 3W 2, en we zitten in W 1 = W 2 = 1; de gok is dus 4. De E is dan gelijk aan: E = 1 ( 5 (W1 +3W 2 ) ) 2 1 = 2 2 (5 4)2 = 1/2 We rekenen uit E = (5 (W 1 +3W 2 )) = 1 W 1 E W 2 = 3(5 (W 1 +3W 2 ) = 3 en passen aan (met kleine α > 0): W 1 1+α, W 2 1+3α Dus W 2 wordt meer (omhoog) aangepast! 17
18 Perceptron vergelijking Voor een lineair te scheiden 1 majority probleem (11 inputs) 0.9 is het perceptron veel beter 0.8 dan een techniek als beslissingsbomen (decision trees, zie Data Mining en ook het college over Leren): % correct on test set Perceptron Decision tree Training set size 1 Maar voor een meer complex probleem is het omgekeerd: % correct on test set Perceptron Decision tree Training set size 18
19 Codering Er zijn allerlei keuzes om invoer en uitvoer te coderen. Je kunt bijvoorbeeld locaal coderen: stel dat een variabele 3 waarden kan hebben: Geen, Gemiddeld en Veel; dit kun je dan in één knoop coderen als 0.0, 0.5 en 1.0 respectievelijk. Maar ook met drie aparte knopen, en dan als 1 0 0, en respectievelijk: gedistribueerd coderen. Je kunt zelfs bij de foutmaat ervoor zorgen dat je waarden als niet fijn vindt, en daar van weg trainen ( softmax ). 19
20 Leerproces: training Hoe verloopt nu het leren bij Neurale Netwerken, het aanpassen van de gewichten, kortom: de training? Je begint met een random initialisatie van de gewichten. Vervolgens biedt je één voor één voorbeelden aan uit een zogeheten trainingsset. Deze voorbeelden moeten in een willekeurige volgorde staan. Steeds geef je een invoer, en met behulp van de juiste uitvoer pas je volgens je trainingsalgoritme de gewichten aan. Je gaat net zolang door totdat (bijvoorbeeld) de fout op een apart gehouden validatieset niet meer daalt of zelfs gaat stijgen (overtraining). Je rapporteert tot slot over het gedrag op een (weer apart gehouden) testset. 20
21 Cross-validation Bij elk leer-algoritme kun je cross-validation gebruiken om overfitting tegen te gaan. Bij k-fold cross-validation (vaak k = 5 of k = 10) draai je k experimenten, waarbij je steeds een 1/k-de deel van de data apart zet om als testset te gebruiken en de rest als trainingsset. De testset is dus steeds een ander random gekozen deel! Als k = n met n de grootte van de dataset, heet deze techniek wel leave-one-out. En dan heb je ook nog ensemble leren, AdaBoost, enzovoorts. Zie verder het college Data Mining. 21
22 Meerlaags netwerk We kijken nu naar een meerlaags neuraal netwerk. Meestal zijn alle lagen onderling volledig verbonden. Output units a i W j,i Hidden units a j W k,j Input units a k De notatie is ietwat dubbelzinnig: zit W 1,2 op twee plaatsen? Je kunt of knopen doornummeren (zie elders), of meerdere W s hanteren, of hopen dat er geen misverstand ontstaat. We gebruiken index i voor de uitvoerlaag, j voor de verborgen laag en k voor de invoerlaag. De a k s zijn de input(s) wat we eerder x k noemden. 22
23 Rekenwerk Met a 5 = g(in 5 ) = g(w 3,5 a 3 +W 4,5 a 4 ) = g(w 3,5 g(w 1,3 a 1 +W 2,3 a 2 ) + W 4,5 g(w 1,4 a 1 +W 2,4 a 2 )) geldt en a 5 W 3,5 = g (in 5 ) a 3 a 5 W 1,3 = g (in 5 ) W 3,5 g (in 3 ) a 1. Hierbij: in 5 = W 3,5 a 3 +W 4,5 a 4 en in 3 = W 1,3 a 1 +W 2,3 a 2. In dit geval hebben we dus doorgenummerd. 23
24 Backpropagation 1 Het meest gebruikte leerschema voor Neurale Netwerken is backpropagation = backprop (1969, 198?), waarbij we nadat de invoer een uitvoer heeft gegeven de fout teruggeven (propageren) van uitvoerlaag richting invoerlaag. Definieer Error i als de fout in de i-de uitvoer (dat wil zeggen: i-de target minus i-de uitvoer van het netwerk). De leerregel is dan net als eerder: W j,i W j,i +α a j i met i = Error i g (in i ) voor gewichten W j,i van verborgen laag naar uitvoerlaag. 24
25 Backpropagation 2 Voor de gewichten W k,j van invoerlaag naar verborgen laag is de leerregel: W k,j W k,j +α a k j met j = g (in j ) i W j,i i Hierbij geldt: α is de leersnelheid a k is de activatie van de k-de invoerknoop in j is de gewogen invoer voor de j-de verborgen knoop W j,i is het gewicht op de verbinding tussen de j-de verborgen knoop en de i-de uitvoerknoop i is de i-de uitvoer-delta, zie de vorige sheet 25
26 Backpropagation afleiding We leiden de leerregel met gradient descent af. De fout per voorbeeld is E = 1 2 i(y i a i ) 2, waarbij de y i s de target zijn. Dan geldt: E W j,i = (y i a i ) En zo verder: E W k,j = i a i W j,i = (y i a i ) g (in i ) a j = a j i (y i a i ) a i W k,j = i i W j,i a j W k,j = i i W j,i g (in j ) a k = a k j Voor de sigmoide g(x) = 1/(1+e βx ) geldt overigens dat g (x) = β g(x)(1 g(x)). 26
27 Backpropagation algoritme Het backpropagation-algoritme voor een netwerk met één verborgen laag gaat nu als volgt: repeat for each e in trainingsset do maak de a k s gelijk aan de x k s bereken de a j s en de a i s (outputs) bereken de i s en de j s update de W j,i s en de W k,j s until netwerk geconvergeerd Let erop dat de gewichten goed random geinitialiseerd worden. En bied de voorbeelden in random volgorde aan. 27
28 Grafieken Respectievelijk een trainings-curve en een leercurve: 14 1 Total error on training set % correct on test set Multilayer network Decision tree Number of epochs Training set size Een epoch is een ronde waarin alle voorbeelden uit de trainingsset één keer één voor één in random volgorde door het netwerk gegaan zijn. Soms heb je veel voorbeelden. Er bestaat naast deze incrementele benadering ook een batch-benadering. 28
29 Support Vector Machines Een Support Vector Machine (SVM; zie [RN], Hoofdstuk 18.9) probeert de invoerdata zo in een hoger dimensionale ruimte te leggen, dat klassen lineair te scheiden worden. Uit: W.S. Noble, What is a Support Vector Machine? Nature Biotechnology 24, (2006). 29
30 Meer Er zijn allerlei uitbreidingen. Zo kun je weight decay toepassen (laat gewichten in de buurt van 0 verdwijnen), momentum (= impuls) toevoegen (onthoud vorige wijziging), met softmax verschillende uitvoerunits van elkaar af trainen,..., en momenteel Deep Learning ( AlphaGo). Neurale netwerken worden overal ingezet: voor waterhoogtes, beurskoersen, Backgammon, sonarbeelden, herkenning van nummerborden (classificatie), datacompressie,... Je blijft last houden van locale extremen. Zie verder het speciale college Neurale Netwerken. 30
31 Programmeeropgave Voor de vierde programmeeropgave moet een Neuraal Netwerk (met backpropagation) worden gemaakt om eenvoudige functies te voorspellen: (X)OR en AND. kosters/ai/nn16.html 31
32 Huiswerk Het huiswerk voor de volgende keer (dinsdag 26 april 2016): lees Hoofdstuk 18, 19.1 en 21.1/3, p , p (en p ) van [RN], over Leren eens door. Kijk naar de vragen bij dit hoofdstuk. Denk na over de vierde opgave: Neurale netwerken; deadline: dinsdag 17 mei
Data Science and Process Modelling
Data Science and Process Modelling Frank Takes LIACS, Leiden University https://liacs.leidenuniv.nl/~takesfw/dspm Lecture 6 Reinforcement Learning & Process Modelling Frank Takes DSPM Lecture 6 Reinforcement
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 4: Neurale netwerken
Inleiding Adaptieve Systemen Hoofdstuk 4: Neurale netwerken Cursusjaar 2012-2013 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 12 Juni 2015
Nadere informatieNeurale Netwerken en Deep Learning. Tijmen Blankevoort
Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling
Nadere informatieBusiness Intelligence & Process Modelling
Business Intelligence & Process Modelling Frank Takes Universiteit Leiden Lecture 5 Reinforcement Learning & Python BIPM Lecture 5 Reinforcement Learning & Python 1 / 83 Recap Business Intelligence: anything
Nadere informatieheten excitatory. heten inhibitory.
Transparanten bij het vak Inleiding Adaptieve Systemen: Neurale Netwerken. M. Wiering Nucleus Synapse Axon van andere neuron Neurale netwerken Dendriet Axon Synapse Leerdoelen: Soma Weten wanneer neurale
Nadere informatieOpdracht 2 Het Multilayer Perceptron
Opdracht 2 Het Multilayer Perceptron Doel: - Inzicht verkrijgen in een neuraal netwerk (het multilayer perceptron). - Begrijpen van het backpropagation algoritme. - Een toepassing van een neuraal netwerk
Nadere informatieInhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen
Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 30 januari 2014 10:30-12:30 Vooraf Mobiele telefoons dienen uitgeschakeld te zijn. Het tentamen bestaat uit 7 opgaven; in totaal kunnen er 100 punten behaald
Nadere informatieMachinaal leren, neurale netwerken, en deep learning
Machinaal leren, neurale netwerken, en deep learning Prof. dr. Tom Heskes KNAW-symposium Go en machinale intelligentie 11 oktober, 2016 Inhoud Inleiding - Supervised, reinforcement, unsupervised leren
Nadere informatieAI introductie voor testers
AI introductie voor testers De basis van deep learning TestNet werkgroep Testen met AI Martin van Helden Sander Mol Introductie Artificial Intelligence (AI) is anders dan traditioneel programmeren. Traditioneel
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004.
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Beknopte uitwerking Eamen Neurale Netwerken (2L490) d.d. 11-8-2004. 1. Beschouw de volgende configuratie in het platte vlak. l 1 l 2
Nadere informatieHet XOR-Netwerk heeft lokale Minima
Het 2-3- XOR-Netwerk heet lokale Minima Ida G. Sprinkhuizen-Kuyper Egbert J.W. Boers Vakgroep Inormatica RijksUniversiteit Leiden Postbus 952 2300 RA Leiden {kuyper,boers}@wi.leidenuniv.nl Samenvatting
Nadere informatiesucces. Door steeds opnieuw toernooien te blijven spelen evolueert de populatie. We kunnen dit doen onder ideale omstandigheden,
Inleiding Adaptieve Systemen deel 2, 25 juni 2014, 13.30-16.30, v. 1 Er is op vrijdag 27 juni nog een practicumsessie! De aanvullende toets is op 4 juli, 13-15 uur. Competitie en cooperatie 1. Bekijk de
Nadere informatieOpgave 2 ( = 12 ptn.)
Deel II Opgave 1 (4 + 2 + 6 = 12 ptn.) a) Beschouw bovenstaande game tree waarin cirkels je eigen zet representeren en vierkanten die van je tegenstander. Welke waarde van de evaluatiefunctie komt uiteindelijk
Nadere informatieAI en Software Testing op de lange termijn
AI en Software Testing op de lange termijn Is het een appel? Traditioneel programmeren AI Kleur = rood, groen, geel Vorm = rond Textuur = glad Artificial Intelligence Machine Learning Methods Technologies
Nadere informatieUitwerkingen opgaven Kunstmatige intelligentie
Uitwerkingen opgaven Kunstmatige intelligentie Opgave 8 (1.6.2001) e. Uiteindelijk wordt onderstaande boom opgebouwd. Knopen die al eerder op een pad voorkwamen worden niet aangegeven, er zijn dus geen
Nadere informatieModeling Cognitive Development on Balance Scale Phenomena[4] Replicatie van Shultz et al.
Modeling Cognitive Development on Balance Scale Phenomena[] Replicatie van Shultz et al. Olaf Booij(AI); 9899 obooij@science.uva.nl 9 mei Inleiding Ik heb geprobeerd het onderzoek Modeling Cognitive Development
Nadere informatied(w j, x i ) d(w l, x i ) Voorbeeld
Transparanten bij het vak Inleiding Adaptieve Systemen: Unsupervised Leren/ Self organizing networks. M. Wiering Unsupervised Learning en Self Organizing Networks Leerdoelen: Weten wat unsupervised learning
Nadere informatieHopfield-Netwerken, Neurale Datastructuren en het Nine Flies Probleem
Hopfield-Netwerken, Neurale Datastructuren en het Nine Flies Probleem Giso Dal (0752975) 13 april 2010 Samenvatting In [Kea93] worden twee neuraal netwerk programmeerprojecten beschreven, bedoeld om studenten
Nadere informatieAI Kaleidoscoop. College 12: Subsymbolische methoden. Twee scholen. Leeswijzer: Performance cliff (2) Performance cliff
AI Kaleidoscoop College 2: Subsymbolische methoden Neurale Netwerken Genetische Algorithmen Leeswijzer:.-.3 + 2. AI2 Twee scholen Physical Symbol systems = formele operaties op symbool-structuren, geïnspireerd
Nadere informatieOude tentamens Kunstmatige intelligentie Universiteit Leiden Informatica 2005
Oude tentamens Kunstmatige intelligentie Universiteit Leiden Informatica 2005 Opgave 1. A* (20/100 punten; tentamen 1 juni 2001) a. (5 punten) Leg het A*-algoritme uit. b. (2 punten) Wanneer heet een heuristiek
Nadere informatieKunstmatig Leven & Kunstmatige Neurale Netwerken!
Kunstmatig Leven & Kunstmatige Neurale Netwerken Tim Trussner Inhoudsopgave Inhoudsopgave 1 Voorwoord 4 Introductie 5 Onderzoeksvragen 6 Brein 8 Neuronen 8 Actiepotentialen 9 Hebbian learning 10 Kunstmatige
Nadere informatieAantekeningen Ch. 4 Artificial neural networks
Aantekeningen Ch. 4 Artificial neural networks Gerard Vreeswijk Samenvatting Dit zijn aantekeningen gemaakt die ik in 1998 heb gemaakt i.h.k. van een college Machine Learning aan de Universiteit van Groningen.
Nadere informatieBegrenzing van het aantal iteraties in het max-flow algoritme
Begrenzing van het aantal iteraties in het max-flow algoritme Het oplossen van het maximum stroom probleem met behulp van stroomvermeerderende paden werkt, maar het aantal iteraties kan aardig de spuigaten
Nadere informatieTentamen in2205 Kennissystemen
TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 21 Januari 2008, 14:00 17:00 Het gebruik van boek of aantekeningen tijdens dit tentamen is
Nadere informatieTentamen in2205 Kennissystemen
TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 21 Januari 2010, 14:0017:00 Dit tentamen heeft 5 meerkeuzevragen in totaal goed voor 10 punten
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 12 december 2014 8:30-10:30 Vooraf Mobiele telefoons en dergelijke dienen uitgeschakeld te zijn. Het eerste deel van het tentamen bestaat uit 8 multiple-choice
Nadere informatiePredictieve modellen - overzicht
Predictieve modellen - overzicht 08-01-2018 Jochem Grietens Verhaert Alexander Frimout Verhaert 1 AI voor lichtcontrole Het doel is om de verlichting van de Vlaamse snelweg slimmer te maken met behulp
Nadere informatieTentamen Data Mining
Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.
Nadere informatieInhoud leereenheid 12. Probleemoplossen met kunstmatige intelligentie. Introductie 225. Leerkern 226. Samenvatting 250.
Inhoud leereenheid 12 Probleemoplossen met kunstmatige intelligentie Introductie 225 Leerkern 226 1 Neurale netwerken 226 1.1 Neuronen 228 1.1.1 Het biologische neuron 228 1.1.2 Een kunstmatig neuron 228
Nadere informatieHoe AI kan ingezet worden voor de analyse van asbesthoudende daken
Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken Earth Observation Data Sciences www.vlaanderen.be/informatievlaanderen www.vito.be Workshop: Asbestinventarisatie en analyse Weerslag
Nadere informatieTentamen in2205 Kennissystemen
TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen in2205 Kennissystemen 03 Juli 2009, 14:0017:00 Dit tentamen heeft 5 meerkeuzevragen in totaal goed voor 10 punten
Nadere informatieOnafhankelijke verzamelingen en Gewogen Oplossingen, door Donald E. Knuth, The Art of Computer Programming, Volume 4, Combinatorial Algorithms
Onafhankelijke verzamelingen en Gewogen Oplossingen, door Donald E. Knuth, The Art of Computer Programming, Volume 4, Combinatorial Algorithms Giso Dal (0752975) Pagina s 5 7 1 Deelverzameling Representatie
Nadere informatieData mining Van boodschappenmandjes tot bio-informatica
Data mining Van boodschappenmandjes tot bio-informatica Walter Kosters Informatica, Universiteit Leiden donderdag 6 april 2006 http://www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert
Nadere informatieVan krabbels naar getallen
Van krabbels naar getallen Classificatie van handgeschreven cijfers middels een kunstmatig neuraal netwerk Wouter van Dijk Joris Veldhuizen Begeleider: Peter Albersen Inhoudsopgave Voorwoord... 2 Inleiding...
Nadere informatieData Mining: Classificatie
Data Mining: Classificatie docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Overzicht Wat is classificatie? Leren van een beslissingsboom. Problemen
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2014-2015 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 17 juni
Nadere informatieOplossingen Datamining 2II15 Juni 2008
Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:
Nadere informatiePDF hosted at the Radboud Repository of the Radboud University Nijmegen
PDF hosted at the Radboud Repository of the Radboud University Nijmegen The following full text is a preprint version which may differ from the publisher's version. For additional information about this
Nadere informatieOpen vragen. Naam:...
Tentamen IAS. Vrijdag 29 juni 2012 om 13.30-16.30 uur, zaal: RUPPERT-40. 1 Naam:............................................................................................................. Collegekaart-nummer:...........................
Nadere informatieContinuous Learning in Computer Vision S.L. Pintea
Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University
Nadere informatieTentamen Kunstmatige Intelligentie
Naam: Studentnr: Tentamen Kunstmatige Intelligentie Department of Information and Computing Sciences Opleiding Informatica Universiteit Utrecht Donderdag 2 februari 2012 08.30 10:30, EDUCA-ALFA Vooraf
Nadere informatieOpgaven Kunstmatige intelligentie 2 mei 2018
Opgaven Kunstmatige intelligentie 2 mei 2018 Opgave 18. (opgave van tentamen 25 juni 2008) We spelen het volgende tweepersoons spel met vier munten, met waarden 10, 20, 30 en X cent, met X > 30. Speler
Nadere informatieBachelor Project. Neuraal Winkelen
Bachelor Project Neuraal Winkelen Andrew Li Universiteit Leiden Leiden Institute of Advanced Computer Science Leiden, 2008 Samenvatting Dit verslag is een bachelorproject op het gebied van kunstmatige
Nadere informatieOpgaven Kunstmatige intelligentie 4 mei 2012
Opgaven Kunstmatige intelligentie 4 mei 2012 Opgave 28. (opgave tentamen 12 augustus 2002) Stel dat we een handelsreizigersprobleem op willen lossen, en dat we dat met een genetisch algoritme willen doen.
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2), Vrijdag 24 januari 24, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven
Nadere informatieToets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:
Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan
Nadere informatieClassification - Prediction
Classification - Prediction Tot hiertoe: vooral classification Naive Bayes k-nearest Neighbours... Op basis van predictor variabelen X 1, X 2,..., X p klasse Y (= discreet) proberen te bepalen. Training
Nadere informatieUniversiteit Utrecht Departement Informatica
Universiteit Utrecht Departement Informatica Uitwerking Tussentoets Optimalisering 20 december 206 Opgave. Beschouw het volgende lineair programmeringsprobleem: (P) Minimaliseer z = x 2x 2 + x 3 2x 4 o.v.
Nadere informatieTiende college algoritmiek. 26 april Gretige algoritmen
Algoritmiek 01/10 College 10 Tiende college algoritmiek april 01 Gretige algoritmen 1 Algoritmiek 01/10 Muntenprobleem Gegeven onbeperkt veel munten van d 1,d,...d m eurocent, en een te betalen bedrag
Nadere informatieDiscrete Wiskunde, College 12. Han Hoogeveen, Utrecht University
Discrete Wiskunde, College 12 Han Hoogeveen, Utrecht University Dynamische programmering Het basisidee is dat je het probleem stap voor stap oplost Het probleem moet voldoen aan het optimaliteitsprincipe
Nadere informatieTentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6
Tentamen Data Mining Datum: 4januai2l6 Tijd: 4: - 7: Algemene Opmerkingen e Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. o Laat bij het uitvoeren van berekeningen zien hoeje
Nadere informatieReducing catastrophic interference
Reducing catastrophic interference in FeedForward BackPropagation networks Stan Klabbers & Anne Doggenaar 0100714 0164453 Bachelor project Kunstmatige Intelligentie Universtiteit van Amsterdam Begeleider:
Nadere informatieGebruiksaanwijzing. X785 Crosstrainer -1-
Gebruiksaanwijzing Crosstrainer -1- Computerknoppen START/STOP Met de START/STOP knop kunt u een programma starten. U kunt alle trainingsgegevens van het scherm aflezen. Wanneer een programma actief is,
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk 6 van Russell/Norvig = [RN] Constrained Satisfaction Problemen (CSP s) voorjaar 2015 College 7, 31 maart 2015
AI Kunstmatige Intelligentie (AI) Hoofdstuk 6 van Russell/Norvig = [RN] Constrained Satisfaction Problemen (CSP s) voorjaar 2015 College 7, 31 maart 2015 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Introductie
Nadere informatieX1 X2 T c i = (d y)x i. c i,nieuw = c i,oud + (d y) x i. w nieuw. = w oud
Tent. IAS ma 22-6-2009, tijd: 13.15-16.15 uur, zaal: EDUC-α, deeltent. 2 van 2 Versie C 1 Welkom. Dit tentamen duurt 3 uur en telt 20 vragen: 4 open vragen en 16 meerkeuzevragen. Wel: rekenmachine. Niet:
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2017-2018 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 21 maart
Nadere informatieExamen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008
Examen Statistische Modellen en Data-analyse Derde Bachelor Wiskunde 14 januari 2008 Vraag 1 1. Stel dat ɛ N 3 (0, σ 2 I 3 ) en dat Y 0 N(0, σ 2 0) onafhankelijk is van ɛ = (ɛ 1, ɛ 2, ɛ 3 ). Definieer
Nadere informatieDEC SDR DSP project 2017 (2)
DEC SDR DSP project 2017 (2) Inhoud: DSP software en rekenen Effect van type getallen (integer, float) Fundamenten onder DSP Lezen van eenvoudige DSP formules x[n] Lineariteit ( x functie y dus k maal
Nadere informatieBestrijd illegale houtkap en red het regenwoud met HANA
Bestrijd illegale houtkap en red het regenwoud met HANA Expertum NL, RFCx, SAP Dirk Kemper en Eline Bangert 14 Mei 2019 Oktober 2017 - SAP Run Live Truck Doel: App voor de rangers - Prototype binnen 5
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk van Russell/Norvig = [RN] Genetische algoritmen. voorjaar 2016 College 11, 3 mei 2016
AI Kunstmatige Intelligentie (AI) Hoofdstuk 4.1.4 van Russell/Norvig = [RN] Genetische algoritmen voorjaar 2016 College 11, 3 mei 2016 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Introductie Er zijn allerlei
Nadere informatieextra oefening algoritmiek - antwoorden
extra oefening algoritmiek - antwoorden opgave "Formule 1" Maak een programma dat de gebruiker drie getal A, B en C in laat voeren. De gebruiker zorgt ervoor dat er positieve gehele getallen worden ingevoerd.
Nadere informatie1 Continuïteit en differentieerbaarheid.
1 1 Continuïteit en differentieerbaarheid. In dit hoofdstuk bekijken we continuiteit en differentieerbaarheid voor functies van meerdere variabelen. Ter orientatie repeteren we eerst hoe het zat met functies
Nadere informatieElektromagnetische veldtheorie (121007) Proeftentamen
Elektromagnetische veldtheorie (121007) Proeftentamen Tijdens dit tentamen is het gebruik van het studieboek van Feynman toegestaan, en zelfs noodzakelijk. Een formuleblad is bijgevoegd. Ander studiemateriaal
Nadere informatieExamenvragen Hogere Wiskunde I
1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies
Nadere informatieFriendly Functions and Shared BDD s
Friendly Functions and Shared BDD s Bob Wansink 19 Juni 2010 Deze notitie behandelt pagina s 81 tot 84 van The Art of Computer Programming, Volume 4, Fascicle 1 van Donald E. Knuth. Inhoudelijk gaat het
Nadere informatieUitwerking vierde serie inleveropgaven
Uitwerking vierde serie inleveropgaven Opgave 1. Gegeven is dat G een permutatiegroep is; a is een willekeurig element. St(a) is de deelverzameling van G die alle permutaties π bevat waarvoor geldt π(a)
Nadere informatieOpgaven Kunstmatige Intelligentie 1 maart 2017
Opgaven Kunstmatige Intelligentie 1 maart 2017 Opgave 1. a. Denkt een schaakprogramma? b. Denkt een (Nederlands-Engels) vertaalprogramma? c. Denkt een C ++ -compiler? d. Denkt Watson, the IBM-computer
Nadere informatieTiende college algoritmiek. 14 april Gretige algoritmen
College 10 Tiende college algoritmiek 1 april 011 Gretige algoritmen 1 Greedy algorithms Greed = hebzucht Voor oplossen van optimalisatieproblemen Oplossing wordt stap voor stap opgebouwd In elke stap
Nadere informatieHeuristieken en benaderingsalgoritmen. Algoritmiek
Heuristieken en benaderingsalgoritmen Wat te doen met `moeilijke optimaliseringsproblemen? Voor veel problemen, o.a. optimaliseringsproblemen is geen algoritme bekend dat het probleem voor alle inputs
Nadere informatieAlle opgaven tellen even zwaar, 10 punten per opgave.
WAT IS WISKUNDE (English version on the other side) Maandag 5 november 2012, 13.30 1.30 uur Gebruik voor iedere opgave een apart vel. Schrijf je naam en studentnummer op elk vel. Alle opgaven tellen even
Nadere informatieNetwerkstroming. Algoritmiek
Netwerkstroming Vandaag Netwerkstroming: definitie en toepassing Het rest-netwerk Verbeterende paden Ford-Fulkerson algoritme Minimum Snede Maximum Stroming Stelling Variant: Edmonds-Karp Toepassing: koppelingen
Nadere informatieAI en Data mining. Van AI tot Data mining. dr. Walter Kosters, Universiteit Leiden. Gouda woensdag 17 oktober
AI en Data mining Van AI tot Data mining dr. Walter Kosters, Universiteit Leiden Gouda woensdag 17 oktober 2007 www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert interessante en (on)verwachte
Nadere informatieDe grafiek van een lineair verband is altijd een rechte lijn.
Verbanden Als er tussen twee variabelen x en y een verband bestaat kunnen we dat op meerdere manieren vastleggen: door een vergelijking, door een grafiek of door een tabel. Stel dat het verband tussen
Nadere informatie2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren.
1. Veronderstel dat je als datamining consultant werkt voor een Internet Search Engine bedrijf. Beschrijf hoe datamining het bedrijf kan helpen door voorbeelden te geven van specifieke toepassingen van
Nadere informatieHet computationeel denken van een informaticus Maarten van Steen Center for Telematics and Information Technology (CTIT)
Het computationeel denken van een informaticus Maarten van Steen Center for Telematics and Information Technology (CTIT) 2-2-2015 1 Computationeel denken vanuit Informatica Jeannette Wing President s Professor
Nadere informatieKortste Paden. Algoritmiek
Kortste Paden Vandaag Kortste Paden probleem All pairs / Single Source / Single Target versies DP algoritme voor All Pairs probleem (Floyd s algoritme) Dijkstra s algoritme voor Single Source Negatieve
Nadere informatieTijdreeks Voorspellingen
Tijdreeks Voorspellingen met neurale netwerken, nearest-neighbour-methoden en trend-fitting Erwin de Winter (erwindewinter@yahoo.com) Sentient Machine Research 7 februari 22 afstudeerscriptie Kunstmatige
Nadere informatieOptie waardering: In vergelijking met
Black-Scholes model Optie waardering: In vergelijking met Neurale Netwerken Erasmus Universiteit Rotterdam Sectie Economie Bachelorthesis Door Randy van Hoek 66789 Onder begeleiding van dr. ir. J. van
Nadere informatieOpdracht 2. Deadline maandag 28 september 2015, 24:00 uur.
Opdracht 2. Deadline maandag 28 september 2015, 24:00 uur. Deze opdracht bestaat uit vier onderdelen; in elk onderdeel wordt gevraagd een Matlabprogramma te schrijven. De vier bijbehore bestanden stuur
Nadere informatieOef 1. Oef 2 Geef het functievoorschrift van g, h en k als a = 1
Herhalingsoefeningen Tweedegraadsfuncties Van de opgaven die geel gemarkeerd zijn, vind je achteraan de oplossingen. De oplossingen van de andere mag je steeds afgeven of er vragen over stellen. Oef 1
Nadere informatieProgrammeren A. Genetisch Programma voor het Partitie Probleem. begeleiding:
Programmeren A Genetisch Programma voor het Partitie Probleem begeleiding: Inleiding Het Partitie Probleem luidt als volgt: Gegeven een verzameling van n positieve integers, vindt twee disjuncte deelverzamelingen
Nadere informatieHoofdstuk 20. Talstelsels
Hoofdstuk 20. Talstelsels 20 Kennismaking: talstelsels... 328 Talstelsels invoeren en converteren... 329 Wiskundige bewerkingen uitvoeren met Hex of Bin getallen... 330 Bits vergelijken of manipuleren...
Nadere informatie1 als x y = 0, = (t j o j )o j (1 o j )x ji.
Tentamen IAS. Vrijdag 1 Juli 2011 om 13.30-16.30 uur, zaal: EDUC-α 1 Dit tentamen duurt 3 uur. Er zijn 20 vragen, waarvan 4 open vragen en 16 meerkeuze. Het is verboden literatuur, aantekeningen, een programmeerbare
Nadere informatieWISKUNDE 5 PERIODEN. DATUM : 5 juni 2008 ( s morgens) Niet-programmeerbare, niet-grafische rekenmachine
EUROPEES BACCALAUREAAT 2008 WISKUNDE 5 PERIODEN DATUM : 5 juni 2008 ( s morgens) DUUR VAN HET EXAMEN : 4 uur (240 minuten) TOEGESTANE HULPMIDDELEN Formuleboekje voor de Europese scholen Niet-programmeerbare,
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Examen Neurale Netwerken (2L490), op woensdag 28 juni 2006, uur.
TECHNISCHE UNIVERSITEIT EINDHOVEN Facultet Wskunde en Informatca Examen Neurale Netwerken 2L49, op woensdag 28 jun 26, 9. - 2. uur. Alle antwoorden denen dudeljk geformuleerd en gemotveerd te worden..
Nadere informatieBSc Kunstmatige Intelligentie. : Bachelor Kunstmatige Intelligentie Studiejaar, Semester, Periode : semester 1, periode 2
Studiewijzer BACHELOR KUNSTMATIGE INTELLIGENTIE Vak : Opleiding : Bachelor Kunstmatige Intelligentie Studiejaar, Semester, Periode : 2015-2016 semester 1, periode 2 Coördinator(en) : dr. Maarten van Someren
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk 13 en 14 van Russell/Norvig = [RN] Bayesiaanse netwerken. voorjaar 2016 College 12, 10 mei 2016
AI Kunstmatige Intelligentie (AI) Hoofdstuk 13 en 14 van Russell/Norvig = [RN] Bayesiaanse netwerken voorjaar 2016 College 12, 10 mei 2016 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Introductie We gaan nu
Nadere informatieNetwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten
Netwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van
Nadere informatieVectoranalyse voor TG
college 4 en raakvlakken collegejaar : 16-17 college : 4 build : 19 september 2016 slides : 30 Vandaag Snowdon Mountain Railway (Wales) 1 De richtingsafgeleide 2 aan een grafiek 3 Differentieerbaarheid
Nadere informatieDeel 2. Basiskennis wiskunde
Deel 2. Basiskennis wiskunde Vraag 26 Definieer de functie f : R R : 7 cos(2 ). Bepaal de afgeleide van de functie f in het punt 2π/2. (A) f 0 ( 2π/2) = π (B) f 0 ( 2π/2) = 2π (C) f 0 ( 2π/2) = 2π (D)
Nadere informatieEen kijkje in je hersenen
Brein in beeld Een kijkje in je hersenen Je brein ziet eruit als een uit de kluiten gewassen walnoot, niet veel groter dan twee gebalde vuisten tegen elkaar. Wat de hersenen doen, het is teveel om op te
Nadere informatieDigitale technieken Deeltoets II
Digitale technieken Deeltoets II André Deutz 11 januari, 2008 De opgaven kunnen uiteraard in een willekeurige volgorde gemaakt worden geef heel duidelijk aan op welke opgave een antwoord gegegeven wordt.
Nadere informatieHet opstellen van een lineaire formule.
Het opstellen van een lineaire formule. Gegeven is onderstaande lineaire grafiek (lijn b). Van deze grafiek willen wij de lineaire formule weten. Met deze formule kunnen we gaan rekenen. Je kan geen lineaire
Nadere informatieDe computerhandleiding bestaat uit de volgende hoofdstukken:
Computerhandleiding Proteus PEC-4975 De computerhandleiding bestaat uit de volgende hoofdstukken: Knopfuncties De schermen Besturingsgetallen Zaken die u dient weten alvorens te trainen Werkingsinstructies
Nadere informatieVeilige en efficiënte inspectie van het spoor Inzending Hendrik Lorentz Data Science Prijs
Veilige en efficiënte inspectie van het spoor Inzending Hendrik Lorentz Data Science Prijs Clemens Schoone (Inspectation), Huub van den Broek (CQM) Nederland heeft het drukst bereden spoornet van Europa.
Nadere informatieGrafen. Indien de uitgraad van ieder punt 1 is, dan bevat de graaf een cykel. Indien de ingraad van ieder punt 1 is, dan bevat de graaf een cykel.
Grafen Grafen Een graaf bestaat uit een verzameling punten (ook wel knopen, of in het engels vertices genoemd) en een verzameling kanten (edges) of pijlen (arcs), waarbij de kanten en pijlen tussen twee
Nadere informatie11 ) Oefeningen. a) y = 2x 1 f) y = x 2 + 3x 4. b) y = 1 3 x2 x + 1 8. g) y = 1 x 2. c) y = x 3 x 2 +1 h) y = 6. d) y = x 2 4 i) y = x 2 5.
11 ) Oefeningen 1) Vergelijkingen van functies Welke vergelijkingen stellen een rechte voor? Welke vergelijkingen stellen een parabool voor? Welke vergelijkingen stellen noch een rechte noch een parabool
Nadere informatieTiende college algoritmiek. 2 mei Gretige algoritmen, Dijkstra
College 10 Tiende college algoritmiek mei 013 Gretige algoritmen, Dijkstra 1 Muntenprobleem Gegeven onbeperkt veel munten van d 1,d,...d m eurocent, en een te betalen bedrag van n (n 0) eurocent. Alle
Nadere informatiede dagelijkse energiebehoefte in kilocalorieën (kcal) en G het gewicht in kg.
Supersize me In de film Supersize Me besluit de hoofdpersoon, Morgan Spurlock, dertig dagen lang uitsluitend fastfood te eten. Op deze manier krijgt hij elke dag 5000 kcal aan energie binnen. Eerst wordt
Nadere informatie