Информационные системы в науке и производстве

книга

Информационные системы в науке и производстве : учебное пособие (лабораторный практикум) : направление подготовки 09.04.02 Информационные системы и технологии

Здесь можно купить книгу "Информационные системы в науке и производстве : учебное пособие (лабораторный практикум) : направление подготовки 09.04.02 Информационные системы и технологии" в печатном или электронном виде. Также, Вы можете прочесть аннотацию, цитаты и содержание, ознакомиться и оставить отзывы (комментарии) об этой книге.

Форматы: PDF

Издательство: Северо-Кавказский Федеральный университет (СКФУ)

Год: 2020

Место издания: Ставрополь

Страниц: 258

Артикул: 105675

Возрастная маркировка: 16+

Электронная книга

1290 ₽

Купить и скачать

Читать фрагмент

Аннотация

Краткая аннотация книги "Информационные системы в науке и производстве"

Пособие представляет лабораторный практикум, составленный в соответствии с рабочей программой. В нём содержатся основные технологии машинного обучения. Структурно каждая из работ состоит из краткого изложения теоретического материала, необходимого для ее выполнения, указаний по порядку выполнения работы, заданий для самостоятельного выполнения, контрольных вопросов и тестовых заданий. Предназначено для студентов магистров, обучающихся по направлению подготовки 09.04.02 Информационные системы и технологии, направленности (профилю) «Информационные системы в науке и производстве».

Содержание

Содержание книги "Информационные системы в науке и производстве : учебное пособие (лабораторный практикум) : направление подготовки 09.04.02 Информационные системы и технологии"

Предисловие
Лабораторные работы
1. Построение простейшей нейронной сети, отражающей частные реакции животных на внешние воздействия
2. Общее знакомство со средой Matlab и созданием в ней искусственных нейронных сетей
3. Создание простой нейронной сети с помощью nntool
4. Создание и обучение нейронной сети на языке высокого уровня среды Matlab
5. Пример создания и обучения нейронных сетей для задач классификации в среде Matlab. Часть 1
6. Пример создания и обучения нейронных сетей для задач классификации в среде Matlab. Часть 2
7. Пример создания и обучения нейронных сетей для задач регрессии в среде Matlab
8. Создание графического интерфейса в среде Matlab
9. Машины опорных векторов
Рекомендуемая литература

Отзывы

Все отзывы о книге Информационные системы в науке и производстве : учебное пособие (лабораторный практикум) : направление подготовки 09.04.02 Информационные системы и технологии

Чтобы оставить отзыв, зарегистрируйтесь или войдите

Отрывок из книги Информационные системы в науке и производстве : учебное пособие (лабораторный практикум) : направление подготовки 09.04.02 Информационные системы и технологии

58 % Устанавливаем размерность входа и выхода net = configure(net, inputs, outputs); % Смотрим окончательный вариант сети view(net); % Получаем изначальный выход сети без обучения initial_output = net(inputs); % Устанавливаем метод обучения net.trainFcn = 'trainlm'; % Устанавливаем функцию ошибки net.performFcn = 'mse'; % Обучаем сеть на одном примере net = train(net, inputs, outputs); % Опять подаём вход, но уже на обученную сеть, % сеть должна промоделировать выход [1 2] final_output = net(inputs); Входной вектор будет равен массиву из шести элементов от 1 до 6, т.к. диапазон записывается через «:». Функция network() за-даёт общую структуру сети. В лабораторных работах 2 и 3 можно было наблюдать её в окне мастера nntool или nnstart в виде графо-вой структуры. Рассмотрим более подробно, что означает каждый параметр. Первый параметр означает количество входов (не в смысле размерность входного вектора, а в смысле, – сколько векторов бу-дет подано на вход сети. Допустим, в сверточных сетях обычное дело, что на вход подаётся не один, а два или три массива, каждый из которых как-то связан с дальнейшим слоем). У нас этот пара-метр равен 1. Второй параметр означает количество слоёв в сети. В данном случае имеем двухслойную сеть. Третий параметр – бу-лев вектор, который означает какие нейроны будут иметь смеще-ние, а какие – нет. Т.к. вектор [1; 0], то очевидно, что все нейроны первого слоя будут иметь смещение, а нейроны второго слоя – нет. Четвёртый параметр – это также булев вектор, который означает, – с какими слоями связан вход. В данном случае используется клас-сическая схема, где вход связна только с последующим слоем, а следовательно, вектор [1; 0]. Пятый параметр – это матрица связей между слоями, которая означает, какой слой с каким связан. Она записывается в виде вектора. Имеем [0 0; 1 0], если записать в виде

С книгой "Информационные системы в науке и производстве" читают