Wykład na temat sztucznych sieci neuronowych jako aproksymatorów funkcji

Prezentacja sztucznych sieci neuronowych (SSN) jako aproksymatorów funkcji, zasady ich działania, aktualnego stanu wiedzy i przykładowych aplikacji. Pierwsza część wykładu stanowi wprowadzenie do aproksymacji funkcji za pomocą SSN. Przedstawiono problem aproksymacji funkcji i jego rozwiązanie przy użyciu SSN (wielowarstwowego perceptronu). W drugiej części zaprezentowano wybrane modele SSN używane do aproksymacji: sieci z radialnymi funkcjami bazowymi, extreme learning machine i sieci regresji uogólnionej GRNN. W trzeciej części pokazano zastosowania SSN w przykładowych problemach aproksymacyjnych: modelowanie silnika spalinowego, identyfikację układu dynamicznego wymiennika cieplnego, aproksymację pętli histerezy magnetycznej i predykcję szeregów czasowych. Materiał w założeniu ma być jak najbardziej przystępny i przeprowadzić słuchacza płynnie od zagadnień prostych i zrozumiałych (klasyczny problem aproksymacji funkcji liniowej) do bardziej złożonych.

[@ewarystawecki3631]

Genialnie wytłumaczone. Dziękuję :)

[@kustyq]

Niedawno trafilem na ten kanal i jako poczatkujacy w temacie sieci neuronowych jestem bardzo wdzieczny za udostepnione materialy. Dziekuje.

[@ukaszlew6238]

Genialny wykład!!!! Wszystkie wykłady powinny tak wyglądać jak Pana!

[@pawelczar]

Bardzo dobry wyklad i swietna prezentacja opisywanego zagadnienia. Nalepiej wytlumczane sieci neuronowe jakie do tej pory spotkalem. Chetnie objerzalbym wiecej wykladow/prezentacji na ten temat od Pana :)

[@marcinwojcik3471]

Dziękuję. Bardzo mi odpowiada taka forma prezentacji. Proszę o więcej!

[@grzegorzdudek2236]

Zapraszam na studia podyplomowe Data Science - Inżynieria Danych W programie: sztuczna inteligencja, uczenie maszynowe, big data, business intelligence, hurtownie danych, przetwarzanie w chmurze Więcej informacji na stronie Wydziału Elektrycznego Politechniki Częstochowskiej

[@grzegorzdudek2236]

Uzupełnieniem tej prezentacji jest prezentacja nt. randomizowanych sieci neuronowych kzbin.info/www/bejne/j6XcpqyZqd2Xotk. Omawiam tam alternatywne sposoby uczenia sieci, które znacznie przyspieszają trening. Poza tym prezentacja pozwala głębiej zrozumieć sieci neuronowe.

[@bartoszjagiea6023]

Dziękuję za świetne wykłady. Studiuję na PCz, mam nadzieję, że kiedyś będę miał przyjemność uczestniczyć w Pana zajęciach. Pozdrawiam!

[@calaprawdaoprawdzie]

Jednak inteligencja kryje sie w wielomianach.

[@logos7logos7]

Piękne!

[@sawomirkrynicki4492]

Bardzo dobry wykład. Jeszcze nie wiem, co oznacza rząd modelu (opóźnienie) dla sieci neuronowej? Czy chodzi o podawany na wejście przebieg np. temperatury maksymalnie do chwili T(t-1) dla modelu drugiego rzędu, a dla trzeciego rzędu dla T(t-2) ? Oczywiście wraz z wartościami dla T(t-0), T(t-1) itd.

[@dariuszd6207]

Znakomity wykład, dziwne ze dopiero teraz na niego trafiłem,

[@marcinlampart]

Dziękuje za bardzo dobry wykład. Niestety do Częstochowy jest mi nie po drodze, ale czy można gdzieś dostać Pana wykłady w formie pisanej (książki, publikacji etc.) ?

[@kamilfigatowski232]

Czy mogę prosić kontakt do Pana? Mam pewnien biznes związany ze startupem jaki chcemy uruchomić;)

[@grzegorzdudek2236]

gdudek.el.pcz.pl