'

Размышление на тему недавних событий...

Понравилась презентация – покажи это...





Слайд 0

Размышление на тему недавних событий...


Слайд 1

Средства массовой информации бьют тревогу: похищен человек!


Слайд 2

На месте преступления полиция ведёт опрос очевидцев


Слайд 3

Как всегда, сведения, предоставляемые очевидцами, крайне скупы и противоречивы…


Слайд 4

Мальчик, оказавшийся случайно недалеко от места преступления утверждал, что похитители уехали на машине с московскими номерами…


Слайд 5

Как, используя возможности программы EXCEL, создать базу данных номеров ТС?


Слайд 6

Алгоритм поиска машин московского региона: 1.Занесём в единую таблицу номера машин. 2.Используя текстовую функцию Заменить, выделим номера машин. 3.Используя логическую Если, придадим значение Истина номерам машин московского региона. 4. Используя Условное форматирование и логические функции, окрасим интересующие нас ячейки.


Слайд 7

1.Занесём в единую таблицу номера машин. 2.Используя текстовую функцию Заменить, выделим номера машин.


Слайд 8

3.Используя логическую Если, придадим значение Истина номерам машин московского региона.


Слайд 9

4. Используя Условное форматирование и логические функции, окрасим интересующие нас ячейки.


Слайд 10

Случайный прохожий утверждал, что запомнил марку, модель и цвет автомобиля предполагаемого похитителя.


Слайд 11

С помощью программы Access можно по описанию автомобиля найти адрес хозяина.


Слайд 12

Алгоритм создания БД «ГАИ»: 1.Создадим базу данных под условным именем «ГАИ». 2. Создадим макет таблицы Автовладельцы и заполним её. 3. Создадим макет таблицы Автомобили и заполним её. 4. Свяжем таблицы по ключевому полю Номер ТС. 5. Создадим Запрос, при введении в который необходимого требования, можно получить немедленный ответ.


Слайд 13

Создадим макет таблицы Автовладельцы и заполним её.


Слайд 14

Создадим макет таблицы Автомобили и заполним её.


Слайд 15

Свяжем таблицы по ключевому полю Номер ТС.


Слайд 16

Создадим Запрос, при введении в который необходимого требования, можно получить немедленный ответ. Вопросы: Ответ:


Слайд 17

Программист, работавший в офисе по соседству, сказал, что видел машину, но вспомнить марку, модель и номер не может… Но если его погрузить в гипнотический сон, то рука с помощью мышки, сумеет воссоздать номер машины! Тем более, что программист только создал программу по распознаванию траектории движения мышки!


Слайд 18

Программист был введён в транс, и на экране компьютера последовательно появились все цифры номера машины похитителей!.


Слайд 19

Похитители пойманы! Жертва похищения -на свободе!


Слайд 20

Но что за программку составил программист? Он обучил персептрон распознавать образы, нарисованные с помощью мышки на экране компьютера. И так, ПЕРСЕПТРОН?!


Слайд 21

Энциклопедия сообщает: Перцептро?н, или персептрон (англ. perceptron от лат. perceptio — восприятие; нем. perzeptron) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга). Персептрон стал одной из первых моделей нейросетей.


Слайд 22

Первые нейросети были созданы в конце 50-х годов 20 века американскими учеными Розенблаттом и Мак-Кигюком. Это были попытки создать системы, моделирующие человеческий глаз и его взаимодействие с мозгом. Фрэнк Розенблатт со своим творением - «Марк-1» - первым в мире нейрокомпьютером.


Слайд 23

Экскурс в биологию:


Слайд 24

Мозг любого человека насчитывает примерно из 1011 нейронов. Каждый нейрон получает информацию через свои дендриты, а передает ее дальше только через единственный аксон, разветвляющийся на конце на тысячи синапсов.


Слайд 25

Схема работы нейронной сети: Дендриды нейрона принимают сигналы в точках, называемых синапсами. Входные сигналы подводятся к телу нейрона. В теле нейрона сигналы суммируются, причем одни входные сигналы стремятся возбудить нейрон, другие – воспрепятствовать его возбуждению. Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону сигнал другим нейронам.


Слайд 26

Схема искусственного нейрона 1.Нейроны, выходные сигналы которых поступают на вход данному 2.Сумматор входных сигналов 3.Вычислитель передаточной функции 4.Нейроны, на входы которых подаётся выходной сигнал данного 5.wi — веса входных сигналов.


Слайд 27

Алгоритм «обучения» персептрона – настройки искусственной нейронной сети Задается и обнуляется матрица весов. Обучающий образ, представленный входным вектором X (нулей и единиц) умножается на матрицу весов. В результате получается вектор NET, размерность которого равна количеству нейронов. Строится на основе полученного произведения выходной вектор (такой же размерности) по формуле: yi = F (NETi), где F - пороговая функция. Сравнивается покомпонентно получившийся вектор Y с правильным ответом. Под ответом подразумевается вектор такой же размерности, что и выходной. При этом сравнении выполняются следующие действия (для каждой компоненты векторов): Если j-тая компонента результата больше j-той компоненты ответа, мы вычитаем входной (!) вектор из j-того столбца матрицы весов, то есть столбца j-того нейрона (что бы при последующем умножении входного вектора на матрицу скалярное произведение оказалось меньше). Если j-тая компонента результата меньше j-той компоненты ответа, мы прибавляем входной (!) вектор к j-тому столбцу матрицы весов. Таким образом, входной вектор корректирует матрицу весов под свои значения. Так же персептрон обучается на втором обучающем образе, третьем, ..., k-том. Если хотя бы один обучающий образ изменил матрицу весов, повторяем все еще раз с шага 2. Существует теорема, что если классы обучающих образов разделимы, то рано или поздно матрица перестанет меняться (обучится).


Слайд 28

Распознавание персептроном нарисованных символов


Слайд 29

С помощью персептрона, можно разрешить практически любые трудно решаемые задачи, а для остального есть такие элементарные инструменты как MS Excel и MS Access.


×

HTML:





Ссылка: