„Intelligens rendszerek laboratórium 1 - 5. Ellenőrző kérdések” változatai közötti eltérés
Új oldal, tartalma: „{{vissza|Intelligens rendszerek laboratórium 1}} ;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)? ;Milyen formában adottak a problémát …” |
Nincs szerkesztési összefoglaló |
||
| 2. sor: | 2. sor: | ||
;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)? | ;Milyen problémák megoldására valók az SVM-ek (Szupport Vektor Gépek)? | ||
Az SVM-ek a bemeneti adatok vizsgálatával azokban mintákat keresnek. Osztályozásra, és regressziós analízisre (függvény approximáció) használjuk. | |||
;Milyen formában adottak a problémát leíró mintapontok általában? | ;Milyen formában adottak a problémát leíró mintapontok általában? | ||
;Milyen 2 főbb csoportra oszthatók a mintapontok SVM-tanítás esetén? | ;Milyen 2 főbb csoportra oszthatók a mintapontok SVM-tanítás esetén? | ||
;Mit értünk függvény approximáció, avagy regresszió alatt (SVM-ek esetén)? | ;Mit értünk függvény approximáció, avagy regresszió alatt (SVM-ek esetén)? | ||
Függvény approximáció a rendelkezésre álló adatok közötti függvénykapcsolat közlítését jelenti. | |||
;Mit értünk osztályozás alatt (SVM-ek esetén)? | ;Mit értünk osztályozás alatt (SVM-ek esetén)? | ||
;Mi az alapötlete az osztályozásra alkalmas SVM-ek regressziós feladatra való alkalmazásának? | ;Mi az alapötlete az osztályozásra alkalmas SVM-ek regressziós feladatra való alkalmazásának? | ||
;Mit értünk egy (pl. SVM-es) modell általánosítási hibáján? | ;Mit értünk egy (pl. SVM-es) modell általánosítási hibáján? | ||
A tanítás során nem használt mintapontokra számított hiba. Ha alacsony a modell komplexitása, akkor nagyobb a hiba. | |||
;Minek a minimalizálására törekszik az SVM? [vázlatos képlet] | ;Minek a minimalizálására törekszik az SVM? [vázlatos képlet] | ||
A tanulási algoritmus törekszik a modell méretének minimalizálására (ritka modellt alkot), ami a hiba rovására történik.<br /> | |||
min(Hiba + 1/C * Komplexitás) | |||
;Mik a szupport vektorok? | ;Mik a szupport vektorok? | ||
A szupport vektor gép a megoldás során kiválasztja a tanító vektorok egy részhalmazát, amelyek a modell alapját adják. Ezek a vektorok az úgynevezett szupport vektorok (tartó vektorok). | |||
;Mi az "outlier"? | ;Mi az "outlier"? | ||
Az outlier egy olyan megfigyelési pont, ami távol áll a többi megfigyelési ponttól. | |||
;Mik a főbb hasonlóságok és különbségek a neurális hálózatok és az SVM-ek között? | ;Mik a főbb hasonlóságok és különbségek a neurális hálózatok és az SVM-ek között? | ||
;Mik az RBF (Radial Basis Function) halók? | ;Mik az RBF (Radial Basis Function) halók? | ||
| 23. sor: | 36. sor: | ||
;Mi az epsilon-érzéketlenségi sávval rendelkező abszolútérték függvény képlete, és hol használjuk? | ;Mi az epsilon-érzéketlenségi sávval rendelkező abszolútérték függvény képlete, és hol használjuk? | ||
;Milyen ágensek szerepelnek a laborgyakorlat regressziós feladatrészében, és hogyan működnek együtt? | ;Milyen ágensek szerepelnek a laborgyakorlat regressziós feladatrészében, és hogyan működnek együtt? | ||
TeacherAgent akik a sinc (x) = sin(x) x függvényt paraméterezhetően megadható zajjal tudják mintavételezni.<br /> | |||
StudentAgent akik a tanár ágens(ek)től kérdezik le a függvény értékeit és ez alapján (ha elegendő információ összegyűlt), approximálják a függvényt. | |||
;Milyen indítási paramétereket vár a TeacherAgent ágens? | ;Milyen indítási paramétereket vár a TeacherAgent ágens? | ||
A TeacherAgent indításkor egy paramétert (egy valós számot) vár, ami arányos a sinc(x)-re adott Gauss zaj mértékével (0 a zajmentes eset, míg a 0.3 érték már egy elég zajos mintát eredményez). Itt tulajdonképpen azt lehet megadni, hogy az egyes tanárok mennyire pontosan, illetve pontatlanul ismerik a megtanulandó függvényt. | |||
;Milyen indítási paramétereket vár a StudentAgent ágens? | ;Milyen indítási paramétereket vár a StudentAgent ágens? | ||
A StudentAgent egyetlen indítási paramétere a tanuláshoz szükséges minták/mintapontok száma, | |||
azaz hogy hányszor, hány helyen fogja a diák lekérdezni a tanárok által ismert függvényt. | |||
;Hogyan választhat a diák ágens több tanár közül? | ;Hogyan választhat a diák ágens több tanár közül? | ||
Kevésbé realisztikus megoldás: a StudentAgent ágens a sinc(x) függvényt 20 | |||
pontban ismerheti (pl. [-10,10] tartomány egész pontjain) és ennek fényében választja | |||
ki a legjobb tanárt. Itt a legegyszerűbb, ha az ismert pontokban lekérdezi az egyes | |||
tanítókat (többször is, hiszen a random zajnak csak a szórását állítottuk be), és azt | |||
választja, amelyik a legpontosabb válaszokat adja. | |||
<br /><br /> | |||
Realisztikusabb megoldás: a StudentAgent ágens ugyanazon pontban többször is | |||
lekérdezi ugyanazon tanítót, és ennek alapján számítja ki a zaj szórását. Ezt minden | |||
tanítóval megismételve kiválasztható a legpontosabban válaszoló, „legmagabiztosabb” | |||
tanító. Megj. : feltételezzük, hogy a tanítók helyesen tudják a megtanulandó függvényt. | |||
;A laborgyakorlat osztályozós részében kétféle osztályozást végzünk. Melyik ez a kettő? | ;A laborgyakorlat osztályozós részében kétféle osztályozást végzünk. Melyik ez a kettő? | ||
;Milyen ágensek szerepelnek a laborgyakorlat osztályozós feladatrészében, és hogyan működnek együtt? | ;Milyen ágensek szerepelnek a laborgyakorlat osztályozós feladatrészében, és hogyan működnek együtt? | ||
A WebcamAgent egy vektorizált képet küld az osztályozó ClassifierAgent ágensnek, amely ennek alapján tanul, és osztályozza a kapott mintákat. | |||
;Mik a WebcamAgent és ClassifierAgent ágensek indítási paraméterei? | ;Mik a WebcamAgent és ClassifierAgent ágensek indítási paraméterei? | ||
;Milyen formában adottak a problémát leíró mintapontok (a képek és a hozzájuk tartozó osztály-azonosítók) a laborgyakorlat osztályozós részénél? | ;Milyen formában adottak a problémát leíró mintapontok (a képek és a hozzájuk tartozó osztály-azonosítók) a laborgyakorlat osztályozós részénél? | ||