. Retele Neuronale [620666]

Ruxandra Stoean
[anonimizat]
http://inf.ucv.ro/~rstoeanRetele neuronale
Neural networks (NN)

Bibliografie
Simon O. Haykin , Neural Networks and Learning Machines
(3rd Edition), Prentice Hall, 2008
Florin Gorunescu , Data Mining: Concepts, Models and
T echniques, Intelligent Systems Reference Library, Volume
12, Springer , 2011
Dianne Cook, Deborah F. Swayne, Graphics for Data
Analysis. Interactive and Dynamic With R and Ggobi ,
Springer, 2007

Modelarea creierului uman
Retele neuronale artificiale simuleaza modul de interactiune
neuronala a creierului uman inspre invatare :
Unitatile de baza -neuroni
Legaturile dintre ele–sinapse
Intensitatile (ponderile ) sinapselor determina performanta
invatarii .

Neuronul artificial McCulloch -Pitts
x –vectorul de
intrare (input)
y–iesirea
w-ponderile
sinaptice
b –deplasare
(bias)
u–unitatea de
calcul (combinatie
liniara )
𝜑-functia de
activare a
neuronuluix1
x2
xn𝑢=𝑤∙𝑥+𝑏y
𝑦=𝜑(𝑢)w1
w2
wn

Structura unei retele neuronale
Neuronii (unitatile ) de intrare–stratul de intrare
Neuronii ascunsi in cutia neagra a invatarii
Unulsaumaimulte straturi ascunse
Output -ulunui strat devine input pentru stratul urmator
Unitatile de iesire–stratul de iesire
Invatarea (supervizata ) pleaca de la datele problemei si
optimizeaza ponderile retelei pebaza diferentei dintre
raspunsul sauprognozat sicelreal.
Exista multe tipologii de retele neuronale .
Ne vainteresa maideparte modelul de tip inainte (feedforward).
Semnalul e propagat doar de la intrare catre iesire (numai
inainte ).

Retea neuronala feedforward
Stratul de intrare
Stratul ascunsStratul de iesire
Exemplu cu un singur strat
ascuns , 3 neuroni de
intrare , 4 unitati in stratul
ascuns sio iesire

Pachetul nnet in R
Implementeaza o retea neuronala de tip feedforward cu un
singur strat ascuns .
Antrenare supervizata .
Ponderile initiale sunt alese aleator in intervalul [-rang, rang]
rangparametru al implementarii
Numarul de unitati din stratul ascuns e datde parametrul
size.
Functia de activare esteceamaides utilizata in NN, anume
ceasigmoida , de ex. functia logistica :
http://cran.r -project.org/web/packages/nnet/nnet.pdf
) exp(11)(uau

Exemplu –Iris 1/2
library( nnet)
library(datasets)
data(iris)
dat<-iris
classColumn <-5
# o singura impartire aleatoare in multime de antrenament side test
index < -1:nrow( dat)
testindex <-sample(index, trunc (length(index)/3))
testset <-dat[testindex , ]
trainset < -dat[-testindex , ]

Exemplu 2/2iris.nn <-nnet(Species ~., trainset , size=4, rang=0.5, maxit =200)
# size -numarul de unitati in stratul ascuns
# rang -ponderile initiale generate aleator in [-rang, rang]
# maxit -numarul maxim de iteratii
#genereaza o matrice care are valori de 0 maiputin clasa
out_train <-class.ind (trainset[,5])
out_test <-class.ind (testset [,5])
test.cl < -function(true, pred){
true < -max.col (true)
pred <-max.col (pred)
table(true, pred)
}
test.cl( out_train , predict( iris.nn , trainset[, -5]))
test.cl( out_test , predict( iris.nn , testset [,-5])) # rezultat sub forma unei
matrice de confuzie

Rezultat

Exercitii
Implementati in R un model de retea neuronala pentru
problema diagnozei diabetului (Pima Indians Diabetes) [ 1].
[1] https ://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes