729G43. Neurala faltningsnät MASKINSYN PÅ SVENSKA VENDELA FOLKER ÅKERLIND
|
|
- Agneta Åkesson
- för 5 år sedan
- Visningar:
Transkript
1 729G43 Neurala faltningsnät MASKINSYN PÅ SVENSKA VENDELA FOLKER ÅKERLIND
2 Innehållsförteckning Bakgrund... 2 Historia... 2 ImageNet... 2 Avgränsningar och språk... 3 Artificiella neurala nät... 3 Tillbakaspridning... 4 Neuralt faltningsnät... 4 Indata... 4 Kännetecken... 5 Filter... 6 Ariktektur... 6 Faltningslager... 6 Aktiveringsfunktion... 8 Kondenseringslager... 8 Helt ihopkopplat lager... 9 Användning Diskussion Referenser
3 Bakgrund Historia Sedan AI blev ett eget fält på 50-talet har intresset för att bygga artificiella neurala nät varit stort i omgångar. Artificiella neurala nät är inspirerade av biologiska neurala nät, dvs. den typ av nät av neuroner som finns i hjärnan hos människor och djur. Det antogs att hjärnans neuroner fungerade binärt, antingen var av eller på, precis som en dator. Detta ledde till en stor tro på att kunna bygga digitala hjärnor. Tyvärr fanns det många problem när de artificiella neurala näten skulle byggas, men tanken har återkommit med jämna mellanrum. Det är dock först de senaste 15 åren som de artificiella neurala näten har blivit tillräckligt bra för att använda, främst på grund av att datorerna har blivit snabbare och mängden märkt träningsdata har blivit större. (Ketkar, 2017) De stora mängder träningsdata som behövs för att ett neuralt nät ska bli effektivt har dels inte funnits tidigare, och dels har beräkningskraften för att behandla dessa mängder träningsdata inte heller funnits. Mycket lossnade 2005 när det koms på att GPU-er kunde användas till neurala nät istället för CPU-er, eftersom de förra kan köra tyngre beräkningar snabbare än de senare. (Padmanabhan, 2016) Maskiner har dock alltid varit dåliga på bildigenkänning, och det är först efter 2010, i och med ImageNet och deras utmaning som stora framgångar rönts inom maskinsyn. ImageNet ImageNet är en enorm, hierarkiskt strukturerad databas med bilder som finns för att det har varit svårt att hitta lämpliga databaser att träna och testa maskinsynsalgoritmer på. Denna hierarkiska struktur består av olika koncept, mest substantiv, och varje koncept representerasav ca bilder. (Stanford Vision Lab, 2016) Numera innehåller ImageNet mer än 13 miljoner bilder. (Gershgorn, 2017) Mellan åren hölls utmaningen Large Scale Visual Recognition Challenge (ILSVRC) som lät lag från hela världen testa sina algoritmer för maskinsyn på databasen ImageNet. I denna utmaning gällde det för algoritmerna att korrekt klassificera objekt i bilder samt upptäcka var i bilden dessa föremål fanns innehöll ImageNet 3,2 miljoner bilder som var märkta med vad som fanns på dem. Detta behövdes för att ge bildigenkänningsalgoritmer en chans att prestera bra eftersom saker ser 2
4 olika ut i olika vinklar och i olika ljus, till exempel. Det visade sig att algoritmerna blev mycket bättre än tidigare när de fick träna med data från ImageNet, oavsett vad de skulle användas till senare stod det vinnande laget ut från mängden när de hade 10 procentenheter mer precisa resultat än det näst bästa laget. Idag anses problemet för maskiner att klassificera objekt i bilder löst, med en felmarginal på 2 %, vilket är mindre än en människa. (Gershgorn, 2017) Avgränsningar och språk Tanken med denna rapport är att på ett lättbegripligt sätt och genomgående på svenska, ge en förklaring av vad ett neuralt faltningsnät (Convolutional neural network) är. Först beskriver jag artificiella neurala nät generellt för att sedan gå in mer specifikt på neurala faltningsnät, och därefter vad de används till. Eftersom denna rapport är skriven genomgående på svenska så har jag att försökt att använda detta språk så långt det går. Dock är det så att inom fältet för datavetenskap och artificiell intelligens är engelska det språk som används och många uttryck översätts generellt sett inte till svenska. De uttryck som inte redan finns på svenska har jag försökt översätta själv. Första gången ett uttryck, som är väletablerat på engelska men inte på svenska, används har jag valt att skriva det engelska ordet inom parentes strax bakom det svenska. Artificiella neurala nät Ett artificiellt neuralt nät har ett indatalager, ett utdatalager och minst ett dolt lager. Har det artificiella nätet mer än ett dolt lager så kallas det för ett djupt nätverk. Normalt är alla dolda lager fullt ihopkopplade, vilket betyder att varje neuron i ett dolt lager är ihopkopplad med alla neuroner från föregående lager och efterföljande lager. Neuronen är däremot inte ihopkopplad med några andra neuroner ur samma lager. Varje lager av neuroner tar som indata utdatat från lagret innan. (Ketkar, 2017) Neuronerna har vikter och multiplicerar dessa med indatat de får, samt summerar dessa produkter och lägger därefter till sin fördomsvariabel (bias). Eftersom neuronerna får indata från alla neuroner i lagret innan så kan detta bli väldigt många olika vikter och multipliceringar. Därefter tar aktiveringsfunktionen över och klämmer ihop denna summa till en behagligare siffra som skickas som utdata ur neuronen och därmed indata till alla neuroner i nästa lager. 3
5 Tillbakaspridning Neurala nät kan tränas med hjälp av tillbakaspridning (backpropagation), vilket handlar om att sprida ut inlärningen av nätet till alla dess neuroners vikter. När data bearbetas från indatalagret till utdatalagret kallas det frammatning (feed forward). När slutresultatet uppnåtts och nätet har kommit fram till ett svar så bedöms det hur pass rätt nätet har jämfört med en guldstandard. Skillnaden mellan det rätta svaret (guldstandarden) och vad nätet kom fram till, summerat och kvadrerat, kallas för felet (the error). Denna felfunktion (loss function, error function) partialderiveras med hänseende till vikten som ska justeras och det är denna paritalderivata som brukar kallas för gradienten (the gradient). (Coors, 2016) När denna felfunktion och dess gradienter används för att justera vikterna tidigare i nätverket så kallas det tillbakaspridning och detta är hur nätet kan tränas, dvs. uppdatera sina vikter. Neuralt faltningsnät Indata Ofta är indata till ett faltningsnät en kvadratisk bild, men kan även vara andra typer av data där ordningen spelar roll, till exempel spelbräden eller texter. De typer av data som ska undvikas är sådan där det inte spelar någon roll om rader (eller kolumner) byter plats med varandra, alltså lägesoberoende data. (Rohrer, 2016) Om det är en färgbild som är indata till faltningsnätverkat så går den in genom tre kanaler: rött grönt och blått. Indatat har då ett djup av 3 eftersom en digital färgbild har en röd, en grön och en blå kanal. Svartvita bilder har bara ett djup av 1. In i första lagret på faltingsnätet kommer alltså en tredimensionell volym av pixlar, höjd * bredd * djup. Alla lager därefter har även tredimensionella utsignaler och insignaler. (Karpathy, 2018) Djupet beror i senare lager på antalet filter som använts i lagret före. Det är vanligt att lägga en ram av nollor runt indatabilden. Detta brukar kallas nollvaddering (zero padding) och används för att få faltningsfiltren att passa bilden på ett snyggt sätt. Anledningen till detta är att höjden och bredden på aktiveringskartorna annars minskar för varje faltningslager som datat passerar igenom. Om vi har ett filter som är 3*3 och en bild som är 5*5 så kommer filtret, med en steglängd (stride) 1, i breddled bara kunna vara på 3 unika platser samtidigt (se figur 1). Indatat som var 5*5 blir då utdata på formen 3*3. Läggs en ram med nollor runt datat så blir denna 5*5 input egentligen 7*7, men utdatat blir 5*5 och ramen av nollor kommer inte att påverka utdatat (se figur 1). (Aghdam & Heravi, 2017) Detta 4
6 är användbart eftersom det inte är eftersträvansvärt att datavolymerna ska bli mindre i höjd och breddled för varje faltiningslager. Minskningen i storlek är något som vi själva vill styra över. FIGUR 1 NOLLVADDERING OCH FALTNING Kännetecken Ett kännetecken (feature) är en kant, ett hörn, en böjning eller linje som faltningsnätverket tycker är användbart i sin klassificering av bilder. Vilka kännetecken som det tränade nätet 5
7 använder till slut kommer det fram till själv genom tillbakaspridning. Ofta handlar det om kanter, böjningar och färgskiftningar i de tidiga lagren och utvecklas till större, tydligare kännetecken i de senare faltningslagren (cirklar, fyrkanter, ekrar, ansikten). (Hlynsson, 2017) Filter Ett filter är en samling vikter och fördomsvariabler (bias) som är gemensamma för ett skikt i faltningslagret (se figur 3 på sida 7). Filtret är kopplat till alla lager av indatavolymen, men är mindre i höjd- och breddled, typiskt ungefär 5 * 5 (dock är filtret i figur 1 bara 3 * 3 stort). Filtret behandlar en yta av indatavolymen som är lika stort som filtret. En parameter som man kan välja är hur många steg (stride) filtret ska flytta sig åt gången innan det letar efter kännetecknet igen (steglängden för filtret i figur 1 är 1). Det är detta som brukar kallas att dra (slide) filtret över indatat, som i en faltningsoperation (se figur 1). På så vis kan ett filter som kollar efter, till exempel, en diagonal linje kolla igenom hela bilden efter ett sådant kännetecken. (Aghdam & Heravi, 2017) Ariktektur I ett typiskt faltningsnätverk finns det ofta, förutom indatalager och utdatalager, också fyra olika typer av dolda lager: aktiveringslager, samlingslager, helt ihopkopplade lager och som namnet föreslår, faltningslager (Rohrer, 2016). Det finns två distinkt skilda delar i ett faltningsnätverk. Den första delen är där faltningen äger rum, aktiveringsfunktionerna normaliserar känneteckenskartorna och datat kondenseras ner med hjälp av kondenseringslager. Dessa lager kan upprepas i olika konstellationer. När kännetecknen blivit tillräckligt stora så är det dags att mata in det data man har i den andra delen av nätverket, nämligen klassificeraren. Detta är de eller det helt ihopkopplade lagret eller lagren i slutet av nätverket. (Ketkar, 2017) Faltningslager I vanliga fall är alla dolda lager i ett djupt neuralt nät helt ihopkopplade, men det som gör faltningsnätverk speciella är att de istället har faltningslager som inte är helt ihopkopplade med tidigare lager. Faltningslagrets filter är bara ihopkopplade med den data som är i dess synfält och har därför mycket färre kopplingar än andra typer av neurala nätverk (se figur 2). (Ketkar, 2017) Detta gör att färre parametrar behövs och detta i sin tur gör att det krävs mindre beräkningskraft för att hantera ett faltningsnät som inte är helt ihopkopplat. 6
8 FIGUR 2 FALTNINGSLAGREN ÄR INTE IHOPKOPPLADE MED ALLA TIDIGARE OCH SENARE LAGER. (VAN VEEN, 2018) Ett faltningslager består av en samling filter som letar efter olika kännetecken. Dessa utför en faltningsoperation med hjälp av de vikter som filtren innehåller. Varje neuron är ihopkopplad med varje pixel dess synfält och med alla lager i djupled på detta ställe. Ett 5*5-filter ser och behandlar alltså en del av den indata det får som är 5*5*3 stor (se figur 3). Filtret är vikterna som delas av neuronerna. (Karpathy, 2018) Figur ett förklarar även hur en faltningsoperation går till i ett faltningsnätverk. Det som händer är att filtrets vikter multipliceras med den indata neuronen får. Dessa produkter summeras och det är denna summa som utgör skalärprodukten. Dessa skalärprodukter utgör sedan utdata i form av en känneteckenskarta (feature map), även kallat aktiveringskarta. Det blir lika många känneteckenskartor som det finns filter i faltningslagret. Dessa känneteckenskartor utgör sedan indata till nästa lager. (Rohrer, 2016) FIGUR 3 (EGEN REDIGERING: RÖD OCH GRÖN RAM SAMT SVENSK TEXT, DERTAT, 2018) 7
9 Efter hand kommer faltningslager längre fram i nätverket att reagera på större och större mönster som det bygger ihop av tidigare lagers noterade kännetecken. Till slut kommer olika typer av objekt kunna urskiljas. (Hlynsson, 2017) Lager senare i arkitekturen reagerar eventuellt bara på vad det tror är hundar, ansikten eller vilken typ av data och vad det är vi vill att nätverket ska känna igen. Aktiveringsfunktion FIGUR 4 RECTIFIED LINEAR UNIT (KARN, 2018) Efter faltningslagret kommer aktiveringslagret där en aktiveringsfunktion behandlar datavolymen. Den aktiveringsfunktion som rekommenderas att använda som standard till faltningsnät just nu är Rectified Linear Unit (ReLU, se figur 4) (Karpathy, 2018). ReLU innebär att känneteckenskartan behandlas på så vis att de negativa siffrorna blir noll och de positiva siffrorna, och noll, förblir desamma. (Sharma, 2018) Denna typ av normaliseringslager användes vid 2012 års imagenet-tävling och är mycket snabbare att träna än den dåvarande standarden tanh. (Krizhevsky, Sutskever, & & Hinton, 2012) Aktiveringsfunktionen ReLU leder till stora och jämna gradieneter (Ketkar, 2017), detta är bra eftersom vi inte vill att gradienten försvinner. (Aghdam & Heravi, 2017) Kondenseringslager Kondenseringslagret används för att minska höjd och bredd på datavolymen och därmed också antalet parametrar. Djupet förblir detsamma. (Dertat, 2018) Som exempel: om faltningslagrets utdata med dimensionerna 4*4 ska slås samman kan detta göras med hjälp av ett filter som är 2*2 och med en steglängd (stride) av 2, vilket är det normala. (Rohrer, 2016) Vid maximalkondensering (max pooling) är tanken att i varje ruta 8
10 som filtret besöker så tas det största värdet och skickas som utdata, det som var 4 värden har nu kondenserats ner till ett. I exempelfallet betyder det att känneteckenskartan delas i fyra lika stora delar, och högsta värdet tas ur var och en av dessa fyra rutor (se figur 5). Djupet på datavolymen påverkas inte av kondenseringen. FIGUR 5 MAXIMALKONDENSERING (MATTSON, 2016) Maximalkondensering tycks funka bra, men även andra typer av kondensering, så som genomsnittskondensering (average pooling), förekommer (Karpathy, 2018). Antalet parametrar minskar med tre fjärdedelar vid en maximalkondensering av detta slag, men de starkaste aktiveringarna och deras placering på känneteckenskartan förblir på samma plats. Förvånansvärt nog tappas väldigt lite information när datavolymen kokas ner på detta vis (Aghdam & Heravi, 2017). Helt ihopkopplat lager Det är de eller det helt ihopkopplade sista lagret eller lagren som är den delen av nätverket som klassificerar indatabilden efter features. Hur många lager man vill att klassificeraren ska bestå av beror på vilken klassificerare som kan tänkas fungera bäst till uppgiften i fråga, till exempel en Multi Layer Perceptron eller LVM (Karn, 2018). Att detta lager är helt ihopkopplat betyder att alla neuroner i ett lager är ihopkopplade med alla neuroner i nästa lager, men inte till några neuroner i samma lager (Mattson, 2016) (se figur 2). Indata till det helt ihopkopplade lagret består av en volym känneteckenskartor som görs om till vektorer med så många dimensioner som antal möjliga kategorier för klassificering (Deshpande, 2016). Detta betyder för ett faltningsnätverk som ska ta reda på om djuret på bilden är en katt eller hund, så kommer dessa vektorer vara tvådimensionella. Denna vektor innehåller sannolikheterna för vilken klass indatabilden tillhör (Deshpande, 2016). Antalet neuroner i det allra sista lagret (output layer) är samma som det antal kategorier som man vill använda, då dessa representerar svaret på klassificeringsfrågan (Mattson, 2016). 9
11 Användning Faltningsnätverk, med dess förmåga till maskinsyn har många olika användningsområden, här nedan listas några exempel. Det som har varit vanligt när datorprogram ska försöka bli bra på spel är att de har använt sig av sökträd som vecklar ut väldigt många möjliga drag, detta har varit en väldigt framgångsrik strategi i spel som othello, dam och även schack. I spel som Go är det dock omöjligt att skapa så stora sökträd som skulle behövas, eftersom mängden möjliga drag är långt mycket större och ett parti brukar vara fler rundor. Tekniken måste alltså förfinas och brädet har matats in i ett faltningsnät för att reducera bredden och djupet på sökträdet. (Silver, o.a., 2016) Den modell som användes 2013 av DeepMind för att spela atarispel var ett faltningsnätverk som använde sig av Q-learning, ett slags träningsmetod för neurala nät. Dessa får videospelsskärmen som indata och har som utdata en funktion som värderar vilken handling som kommer vara mest belönande. Detta gav mycket framgångsrika resultat. (Mnih, o.a., 2013) Inom medicin finns det flera användningsområden för denna teknik inom maskinsyn. Ett exempel är AtomNet som är ett faltningsnät som används för att förutsäga bioaktiviteten hos molekyler som eventuellt kan användas som medicin (Wallach, Dzamba, & Heifets, 2015). Ett annat exempel är att hudcancer kan diagnosticeras med ett faltningsnät, med samma nivå av säkerhet som en expert (Esteva, o.a., 2017). Användningen av faltningsnätverk för att kolla om cancer spridit sig tycks ha bättre säkerhet än experter också (Liu, o.a., 2017). Ett tränat neuralt faltningsnät kan köras baklänges över en annan bild och på så vis förstärka mönster ur bilden. Detta är vad Deep Dream gjorde vilket resulterade i surrealistiska bilder och frågor kring maskiners förmåga till kreativitet (Rayner, 2016). Denna teknik har sedan även använts tillsammans med viritual reality-teknik för att modellera hallucinationer. Detta kan vara ett effektfullt sätt att studera förändrade medvetandetillstånd (Suzuki, Roseboom, Schwartzman, & Seth, 2017). 10
12 Diskussion och slutsats Det faktum att maskinsyn har blivit en sådan succé de senaste åren och fortsätter vara framgångsrikt inom många områden tyder på att det finns stor potential att utveckla och anpassa tekniken till ännu fler användningsområden. Då utvecklingen av denna teknik fortsätter att gå snabbt så behöver den först mogna för att sedan bli etablerad som en del av den självklara vardagstekniken, något som i viss mån redan skett. På grund av denna stora potential tror jag att denna teknik för maskinsyn kommer att vara relevant länge till innan någon annan teknik behöver börja användas till detta ändamål. Ett intressant användningsområde för neurala faltningsnät är att eventuellt, med hjälp av hjärnscanningstekniker kunna läsa tankar i någon grad (Horikawa & Kamitani, 2017). Detta är dock långt ifrån realitet i dagsläget och jag tror inte riktigt på att detta kommer att lyckas. Denna typ av möjligheter kommer dock att väcka stora etiska frågor om den visar sig framgångsrik. Maskinsynen har kommit mycket långt de senaste 10 åren och nu kan nästan vem som helst med ett teknikintresse bygga egna maskinsynsnätverk. Detta har gett stora fördelar för AI i allmänhet och för robotar i synnerhet, då syn är en fördelaktig förmåga för en varelse som rör sig ute i världen. 11
13 Referenser Aghdam, H. H., & Heravi, E. J. (2017). Guide to Convolutional Neural Networks. Springer. Coors, B. (2016). Navigation of Mobile Robots in Human Environments with Deep Reinforcement Learning. Stockholm, Sweden: KTH ROYAL INSTITUTE OF TECHNOLOGY. Dertat, A. (den 24 Mars 2018). Towards Data Science. Hämtat från Deshpande, A. (den 20 Juli 2016). A Beginner's Guide To Understanding Convolutional Neural Networks. Hämtat från A Beginner's Guide To Understanding Convolutional Neural Networks: Understanding-Convolutional-Neural-Networks/ Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, Gershgorn, D. (den ). IT'S NOT ABOUT THE ALGORITHM. Hämtat från Quartz: Hlynsson, H. D. (2017). Predicting expert moves in the game of Othello using fully convolutional neural networks. Stockholm, Sweden: KTH ROYAL INSTITUTE OF TECHNOLOGY. Karn, U. (den 06 April 2018). An Intuitive Explanation of Convolutional Neural Networks. Hämtat från the data science blog: Karpathy, A. (den ). Convolutional Neural Networks: Architectures, Convolution / Pooling Layers. Hämtat från CS231n Convolutional Neural Networks for Visual recognition: Ketkar, N. (2017). Deep Learning with Python. A Hands-on Introduction. Bangalore, Karnataka, India: Apress. Krizhevsky, A., Sutskever, I., & & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, Liu, Y., Gadepalli, K., Norouzi, M., Dahl, G. E., Kohlberger, T., Boyko, A.,... Hipp, J. D. (2017). Detecting cancer metastases on gigapixel pathology images. arxiv preprint arxiv: Mattson, N. (2016). Classification Performance of Convolutional Neural Networks. Uppsala: Uppsala Universitet. 12
14 Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., & Riedmiller, M. (2013). Playing Atari with Deep Reinforcement Learning. arxiv preprint arxiv: Padmanabhan, S. (2016). Convolutional Neural Networks for Image Classification and Captioning. Stanford University: Department of Computer Science. Rayner, A. (den 28 Mars 2016). Can Google s Deep Dream become an art machine? Hämtat från The Guardian: Rohrer, B. (den ). Data Science and Robots. Hämtat från How do Convolutional Neural Networks work?: Sharma, S. (den ). Activation Functions: Neural Networks. Hämtat från Towards Data Science: 1cbd9f8d91d6 Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., &... & Dieleman, S. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), Stanford Vision Lab. (2016). About ImageNet Overview. Hämtat från ImageNet: Suzuki, K., Roseboom, W., Schwartzman, D. J., & Seth, A. K. (2017). A deep-dream virtual reality platform for studying altered perceptual phenomenology. Scientific Reports, 7(1). Wallach, I., Dzamba, M., & Heifets, A. (2015). Atomnet: A deep convolutional neural network for bioactivity prediction in structure-based drug discovery. arxiv preprint arxiv: van Veen, F. (den 24 Mars 2018). A mostly complete chart of Neural networks. Hämtat från
Liswi948, Lisa Widerberg, liswi948 Fördjupningsarbete Linköpings Universitet 729G43, Artificiell Intelligens
Lisa Widerberg, liswi948 Fördjupningsarbete Linköpings Universitet 729G43, Artificiell Intelligens 2018-01-11 Innehållsförteckning 1 Inledning 1 1.1 Bakgrund 1 1.2 Bilder som tredimensionella matriser
Läs merARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap
ARTIFICIELLA NEURALA NÄT MARCO KUHLMANN Institutionen för datavetenskap Example Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait 1 Yes No No Yes Some $$$ No Yes French 0 10 Yes 2 Yes No No Yes Full
Läs mer729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs merEtt Neuralt Nätverk Tittar På Kläder
[Skriv här] [Skriv här] [Skriv här] 2019 Ett Neuralt Nätverk Tittar På Kläder ETT KONVOLUTIONELLT NEURALT NÄTVERK KATEGORISERAR FASHION MNIST DATASETET WILHELM BRODIN, WILBR797 1.1 Inledning En människas
Läs merNeurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
Läs merSub-symbolisk kognition & Konnektionism. Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén,
Sub-symbolisk kognition & Konnektionism Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén, mats.andren@liu.se 1 Konnektionism Neutrala nät baseras på en (förenklad) modell av hur hjärnan fungerar.
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merGoogle Assistant & WaveNet
Google Assistant & WaveNet Projektrapport om CNN Maja Albrektson 27/12 17 Linköpings universitet 729G43, Artificiell Intelligens 0 SAMMANFATTNING Denna rapport beskriver WaveNet, en generativ modell av
Läs merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 2. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 2 Marco Kuhlmann Institutionen för datavetenskap Förra gången: Gradientsökning tangentens lutning i punkt θ steglängdsfaktor Översikt Introduktion
Läs mermed hjälp av Deep Reinforcement Learning
Agent som kan spela Atarispel bättre än människor med hjälp av Deep Reinforcement Learning Sofie Adolfsson, sofad117@student.liu.se Artificiell Intelligens Linköpings Universitet 2017-01-12 SofieAdolfsson
Läs mer1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05
1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller
Läs merArtificiell Intelligens Lektion 7
Laboration 6 Artificiell Intelligens Lektion 7 Neurala nätverk (Lab 6) Probabilistiska resonemang Vad? Mönsterigenkänning Lära ett neuralt nätverk att känna igen siffror Varför? Få ökad förståelse för
Läs merCase-based resoning. och dess användning inom sjukvården. Linköpings universitet Artificiell intelligens II 729G11 HT 2011
Linköpings universitet Artificiell intelligens II HT 2011 Case-based resoning och dess användning inom sjukvården Sammanfattning Det här arbetet handlar om vad case-based resoning är, hur den funkar, vilka
Läs merVad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar
1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
Läs merArtificiell Intelligens den nya superkraften
Artificiell Intelligens den nya superkraften Socialchefsdagarna, 4 oktober 2018 #CGINext Artificiell Intelligens Förmågan hos mjukvara att agera självständigt på ett intelligent sätt tidigare bara associerat
Läs mer729G43 Artificiell intelligens / Maskininlärning 2. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 2 Marco Kuhlmann Förra gången: Linjär regression Gradientsökning Vandra ner i felets dal. Steg 0: Börja med ett godtyckligt värde för θ. Steg 1: Räkna
Läs merSjälvlärande Othello-spelare
Självlärande Othello-spelare Kan en dator lära sig att spela Othello? KLAS BJÖRKQVIST och JOHAN WESTER Examensarbete Stockholm, Sverige 2010 Självlärande Othello-spelare Kan en dator lära sig att spela
Läs merKandidatuppsats. Jämförelse mellan neurala nätverk baserad AI och state-of-the-art AI i racing spel. Simon Karlsson, Christopher Jensen
Kandidatuppsats Jämförelse mellan neurala nätverk baserad AI och state-of-the-art AI i racing spel Simon Karlsson, Christopher Jensen Sammanfattning Denna rapport jämför prestandan mellan state-of-the-art
Läs merAlgoritmer och maskininlärning
Algoritmer och maskininlärning Olof Mogren Chalmers tekniska högskola 2016 De här företagen vill Tjäna pengar Hitta mönster i stora datamängder Göra förutsägelser Klassificera data Förstå människan Maskininlärning
Läs merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs merVad behövs för att skapa en tillståndsrymd?
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merAtt programmera en Beethoven
Linköpings universitet Att programmera en Beethoven Fördjupning inom Neurala nätverk och LSTM 2018-01-03 Innehåll 1 Inledning- Musik och artificiell intelligens... 2 1.1 Historia... 2 1.2 Bakgrund AIVA...
Läs merInlärning utan övervakning
Översikt Biologiska mekanismer bakom inlärning Inlärning utan övervakning Inlärning utan övervakning Hebbiansk modellinlärning Självorganisering Arbetsfördelning mellan noder i ett lager som utvecklas
Läs merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs merNeurovetenskap 30/08/2013. Kognitiv neurovetenskap. Lober. Olika färg, olika vävnadsstruktur. Hjärnbarken
729G01 Kognitionsvetenskaplig introduktionskurs: Kognitiv neurovetenskap och kognitiv modellering Rita Kovordanyi, Institutionen för datavetenskap (IDA) rita.kovordanyi@liu.se Kognitiv neurovetenskap Baseras
Läs merLaboration 4: Digitala bilder
Objektorienterad programmering, Z : Digitala bilder Syfte I denna laboration skall vi återigen behandla transformering av data, denna gång avseende digitala bilder. Syftet med laborationen är att få förståelse
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs merGrafiska pipelinen. Edvin Fischer
Grafiska pipelinen Edvin Fischer Sammanfattning Rapporten behandlar den grafiska pipelinen och dess steg, vilka stegen är och hur de funkar. Inledning Rapporten har till syfte att beskriva hur den grafiska
Läs merVektorer, matriser, nätverk - några elementa
Vektorer, matriser, nätverk - några elementa Innehåll: Vektorer Radvektorer och kolumnvektorer Operationer med vektorer Input- och outputvektorer i neurala nätverk Utvikning om kompetitiva nät Matriser
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merSELF- ORGANIZING MAPS
LINKÖPINGS UNIVERSITET Kognitionsvetenskapliga Programmet Examinator: Arne Jönsson SELF- ORGANIZING MAPS - Ett fördjupningsarbete inom Artificiell Intelligens Fack 52 katwa676@student.liu.se Sammanfattning
Läs merARTIFICIELL INTELLIGENS (DEL 2)
ARTIFICIELL INTELLIGENS (DEL 2) ETT NYHETSBREV FRÅN FUTUREWISE FEBRUARI 2018 FUTUREWISE AI PÅ TOPPEN AV HYPEN I detta andra nyhetsbrev om artificiell intelligens fördjupar vi oss i tekniken bakom. Det
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merPerception och Maskininärning i Interaktiva Autonoma System. Michael Felsberg Institutionen för systemteknik Linköpings universitet
Perception och Maskininärning i Interaktiva Autonoma System Michael Felsberg Institutionen för systemteknik Linköpings universitet Vad är WASP? Wallenberg Autonomous Systems Program Sveriges största individuella
Läs merNEURAL MASKINÖVERSÄTTNING
Linköpings universitet 729G43 NEURAL MASKINÖVERSÄTTNING Moa Wallin Inledning Manuell översättning är en mycket tidskrävande process som kräver stor kunskap och bred kompetens och behovet av översättning
Läs merIntroduktion till programmering
Introduktion till programmering Vad är programmering? Vad gör en dator? Vad är ett datorprogram? 1 (9) Vad är programmering? För att bestämma en cirkels area måste du: 1. Dividera diametern 5 med 2. 2.
Läs merRegisterforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen
Registerforskning 2018 17 Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola Vem är Peter Funk? Artificiell
Läs merDEEP LEARNING I STARCRAFT 2 AUTOENCODERS FÖR ATT FÖRBÄTTRA END-TO-END LEARNING
DEEP LEARNING I STARCRAFT 2 AUTOENCODERS FÖR ATT FÖRBÄTTRA END-TO-END LEARNING Examensarbete Systemarkitekturutbildningen Victor Frick Kristoffer Mattsson VT 2018:KSAI04 Systemarkitekturutbildningen är
Läs merA B C D E F A B C D E F (3) Svar: Tabellen ger grafen:
1. Russel & Norvig menar att man kan utveckla AI-system som antingen tänker som en människa, handlar som en människa, tänker rationellt eller handlar rationellt. Förklara och exemplifiera dessa fyra synsätt.
Läs merANN fk. Örjan Ekeberg. Framåtkopplade Nät. återkopplade nät. Olika arkitekturer. BackPropagation through Time. Kalman-Filter tekniker
Hantering av Tid Återkopplade Återkopplade Återkopplade t Återkopplade Återkopplade Temporala signaler är svåra Gör om temporal signal till spatial t 1 t 2 t 3 t 4 Återkopplade t Enklaste formen Neuronal
Läs merInledande programmering med C# (1DV402) Introduktion till programmering
Introduktion till programmering Upphovsrätt för detta verk Detta verk är framtaget i anslutning till kursen Inledande programmering med C# vid Linnéuniversitetet. Du får använda detta verk så här: Allt
Läs merSHAZAM! En!smart!musiktjänst! Linha108! Fördjupningsarbete!729G43!
SHAZAM Ensmartmusiktjänst Linha108 Fördjupningsarbete729G43 Sammanfattning Shazam är en musiktjänst som genom en sökalgoritm kan känna igen ljud och returnera låt och artist till användaren. Detta sker
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad för att man skall
Läs merArtificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?)
Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) 4e november 2014 Intelligens Vad är det? ett mänskligt egenskap Kan det jämföras? Kan det mätas?
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merSPEECH RECOGNITION USING ARTIFICIAL NEURAL NETWORKS. Linköpings Universitet 729G43 Artificiell Intelligens
SPEECH RECOGNITION USING ARTIFICIAL NEURAL NETWORKS Oscar Lundblad Osclu399@student.liu.se 2017-01-05 Linköpings Universitet 729G43 Artificiell Intelligens Innehållsförteckning Introduktion 3 Rapportens
Läs merUPPGIFT 1 V75 FIGUR 1.
UPPGIFT 1 V75 FIGUR 1. Varje lördag året om spelar tusentals svenskar på travspelet V75. Spelet går ut på att finna sju vinnande hästar i lika många lopp. Lopp 1: 5 7 Lopp 2: 1 3 5 7 8 11 Lopp 3: 2 9 Lopp
Läs merOptimera, inte eliminera, den mänskliga hjärnan genom AI. Anna-Karin Edstedt Bonamy, MD, PhD Chief Medical Officer, Doctrin AB
Optimera, inte eliminera, den mänskliga hjärnan genom AI Anna-Karin Edstedt Bonamy, MD, PhD Chief Medical Officer, Doctrin AB En av sjukvårdens största utmaningar är ökande personalbrist 4 av 10 läkare
Läs merModeller och simulering av språkprocessning
Modeller och simulering av språkprocessning Seriell processmodell + parallell processmodell Parallell modell med 2-vägsförbindelser Artificiellt neuralt nätverk (ANN) Interaktiv aktiverings-modell (IAM)
Läs merFöreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA5 Institutionen för teknik och naturvetenskap Linköpings universitet
Läs merProjekt i bildanalys Trafikövervakning
Projekt i danalys Trafikövervakning F 99 F 00 Handledare : Håkan Ardö Hösten 3 vid Lunds Tekniska Högskola Abstract Using traffic surveillance cameras the authorities can get information about the traffic
Läs merProjektdokumentation för Othello
Projektdokumentation för Gustav Fransson Nyvell gusfr229@student.liu.se Tomas Franzén tomfr819@student.liu.se 1. Inledning Vi har gjort ett -spel som går ut på att man turas om att lägga brickor på en
Läs merKognitiv Modellering
Kognitiv Modellering Mårten Szymanowski 20 januari 2004 Innehåll 1 Kognitiv Modellering 2 1.1 Varför?................................ 2 2 Grundläggande psykologiska fenomen 3 2.1 Stimulusgeneralisering........................
Läs merBildbehandling i spatialdomänen och frekvensdomänen
Digital Media Lab 2016-02-22 Tillämpad Fysik och Elektronik Ulrik Söderström Bildbehandling i spatialdomänen och frekvensdomänen Fouriertransform och filtering Del 1. Fouriertransformen 1.1. Fourieranalys
Läs merOptimering av hyperparametrar till artificiella neurala nätverk med genetiska algoritmer.
Optimering av hyperparametrar till artificiella neurala nätverk med genetiska algoritmer. Simon Stensson Juni 6, 2016 Abstract This master thesis explores the feasibility of using genetic algorithms in
Läs merÄmnesområden. Examensarbete inom datavetenskap (1DV41E) Martin Fredriksson
Ämnesområden Examensarbete inom datavetenskap (1DV41E) Martin Fredriksson martin.fredriksson@lnu.se 1 Ämnesområden ÖVERSIKT 2 Översikt Dagens föreläsning Fokus Innehåll Relevans Presentation Ämnesområden
Läs merGrundläggande datavetenskap 4p
Grundläggande datavetenskap 4p Stefan.Pettersson@mh.se http://www.itm.mh.se/~stepet Kursinformation Planering Läsanvisningar Föreläsningsbilder Övningsuppgifter Laborationer 2004-11-04 IT och Medier 1
Läs merLinköpings universitet
2014-09-08 Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 5 Integrationsutmaningen Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merArtificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?)
Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) 1.a November 2011 Innan vi börjar R.I.P. John McCarthy (1924 2011) Grundare av ämnet artificiell
Läs merDatorspel med agenter som lär sig matematik utan symboler. Lena Pareto Högskolan Väst
Datorspel med agenter som lär sig matematik utan symboler Lena Pareto Högskolan Väst 1 Idé: matematik i ny förklädnad koncept: positiva tal negativa tal decimal systemet addition subtraktion multiplikation
Läs merHur kan man CE-märka AI? PICTA workshop 29 Maj 2018
Hur kan man CE-märka AI? PICTA workshop 29 Maj 2018 Mats Artursson Utredare/Inspektör Agenda Vad säger regelverket Olika typer av AI Sverige Internationellt Utmaningar Pågående EU arbete 2 Medicinteknisk
Läs merHigher education meets private use of social media technologies PERNILLA
Higher education meets private use of social media technologies Research questions R1. How do students perceive the use of social media in their learning environment in higher educa9on? R2. Do students
Läs merProgrammeringsuppgift Game of Life
CTH/GU STUDIO TMV06a - 0/0 Matematiska vetenskaper Programmeringsuppgift Game of Life Analys och Linär Algebra, del A, K/Kf/Bt Inledning En cellulär automat är en dynamisk metod som beskriver hur komplicerade
Läs merEnlagersnät Flerlagersnät Generalisering. Artificiella Neuronnät
Artificiella Neuronnät 1 Karaktäristiska egenskaper Användningsområden Klassiska exempel Biologisk bakgrund 2 Begränsningar Träning av enlagersnät 3 Möjliga avbildningar Backprop algoritmen Praktiska problem
Läs merProgrammering för alla!
Programmering för alla! Inspirationsseminarium för lärare i grundskola och gymnasium Björn Regnell Professor Datavetenskap, LTH, Lunds universitet lth.se/programmera Video http://www.svt.se/nyheter/sverige/krav-pa-att-elever-lar-sig-programmera
Läs merLaboration 1. Grafisk teknik (TNM059) Introduktion till Matlab. R. Lenz och S. Gooran (VT2007)
Laboration 1 Grafisk teknik (TNM059) Introduktion till Matlab R. Lenz och S. Gooran (VT2007) Introduktion: Denna laboration är en introduktion till Matlab. Efter denna laboration ska ni kunna följande:
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merAnsiktsigenkänning. Anna Ericsson Linköpings Universitet Linköping
Ansiktsigenkänning Anna Ericsson Linköpings Universitet Linköping 2011-09-18 Innehållsförteckning Sammanfattning... 1 Introduktion... 2 Ansiktsigenkänning med Eigenfaces... 3 Eigenfaces steg för steg...
Läs merHört och lärt på NES2012 Session: Visual ergonomics
Ergonomisektionen/LSR Hört och lärt på NES2012 Session: Visual ergonomics Frukostseminarie I samverkan med Mousetrapper 2 oktober, 2012 08.30-09.30 Susanne Glimne Leg. Optiker/Universitetsadjunkt Optikerprogrammet
Läs merParallellism i NVIDIAs Fermi GPU
Parallellism i NVIDIAs Fermi GPU Thien Lai Phu IDA2 Abstract This report investigates what kind of computer architecture, based on Flynn s taxonomy, is used on NVIDIAs Fermi-based GPU to achieve parallellism
Läs merGenetisk programmering i Othello
LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1
Läs merTentamen Bildanalys (TDBC30) 5p
Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna
Läs merPrestandapåverkan på databashanterare av flertrådiga processorer. Jesper Dahlgren
Prestandapåverkan på databashanterare av flertrådiga processorer av Sammanfattning Behandling av information bli vanligare i dagens samhälle och för att klara denna uppgiften används ofta en databashanterare
Läs merDistributed Computing
Distributed Computing Stefan Saxén Department of Computer Science Åbo Akademi University, FIN-20520 Åbo, Finland e-mail: ssaxen@abo.fi URL: http://www.abo.fi/~ssaxen Sammanfattning Detta papper presenterar
Läs merMatcha rätt hjärta till rätt patient med AI. Dennis Medved
Matcha rätt hjärta till rätt patient med AI Dennis Medved Översikt Introduktion IHTSA LuDeLTA Sammanfattning Framtida arbete Introduktion Hjärttransplantation Livräddande operation för patienter med hjärtsvikt
Läs mer!!!!!!!! Googles'självkörande'bil!
Googles'självkörande'bil AmandaJaber(amaja463) AI 279G43 2016901909 Innehållsförteckning 1.#INLEDNING#...#3 1.1 SYFTE#...#3 1.2 AVGRÄNSNING#...#3 2.#GOOGLE#SJÄLVKÖRANDE#BIL#...#4 2.1HURBILENFUNGERAROCHUPPBYGGNAD...4
Läs merVad kan biologiskt plausibla modeller säga oss?
Förra föreläsningen Vad kan biologiskt plausibla modeller säga oss? Beräkningsmässig kognitiv neurovetenskap Simulering av modeller kan ge insikt i mänskligt tänkande Kognitiva fenomen Simulering beräkningsprinciper
Läs merProgrammering för alla!
Programmering för alla! del 1 Lärarlyftet Teknik 7-9, 2014-09-01 Björn Regnell Professor Datavetenskap, LTH, Lunds universitet lth.se/programmera Agenda 09:00-10:00 Introduktion; kursens upplägg Varför
Läs merHistogram över kanter i bilder
Histogram över kanter i bilder Metod Både den svartvita kanstdetekteringen och detekteringen av färgkanter följer samma metod. Först görs en sobelfiltrering i både vertikal och horisontell led. De pixlar
Läs merWord2Vec. Högkvalitativa vektorrepresentationer av ord tränat på stora mängder data. Innehåll LINKÖPINGS UNIVERSITET. 1. Inledning...
LINKÖPINGS UNIVERSITET Innehåll 1. Inledning... 2 2. Terminologi... 3 3. Allmänt om Word2Vec... 3 4. Continous Skip-gram model... 4 Word2Vec Högkvalitativa vektorrepresentationer av ord tränat på stora
Läs merAutonoma Styrsystem. Fördjupningsarbete inom Artificiell Intelligens. Linköpings Universitet Artificiell Intelligens 729G11 2008-09-09
Linköpings Universitet Artificiell Intelligens 729G11 Autonoma Styrsystem Fördjupningsarbete inom Artificiell Intelligens 2008-09-09 Dennis Eng 860226-0070 Innehåll Sammanfattning... 2 Bakgrund... 3 Projekt
Läs merFöreläsning 1: Intro till kursen och programmering
Föreläsning 1: Intro till kursen och programmering Kursens hemsida http:www.it.uu.se/edu/course/homepage/prog1/vt11 Studentportalen http://www.studentportalen.uu.se Lärare: Tom Smedsaas, Tom.Smedsaas@it.uu.se
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merArtificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?)
Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) Building Watson:! http://www.youtube.com/watch?v=3g2h3dz8rnc!! 29e oktober 2013 Intelligens Vad
Läs merVad säger forskningen om programmering som kunskapsinnehåll? Karin Stolpe, föreståndare NATDID liu.se/natdid
Vad säger forskningen om programmering som kunskapsinnehåll? Karin Stolpe, föreståndare NATDID liu.se/natdid 2017-10-19 2 Programmering i skolan 2017-10-19 3 Lgr 11 (rev. 2017) Arbetssätt för utveckling
Läs merAnvändarverifiering från webbkamera Sami Alajarva
Institutionen för kommunikation och information Examensarbete i Datalogi 20p C-nivå Vårterminen 2007 Användarverifiering från webbkamera Sami Alajarva Användarverifiering från Webbkamera Examensrapport
Läs merAtt hitta projekt. Björn Victor. måndag 19 mars 12
Att hitta projekt Björn Victor Övning: projektbeskrivning Till måndag: skriv en (1) sida som beskriver projektet på Distribuerade system med projekt Övning: inte obligatorisk, men nyttig! 1. vad var planen/avsikten/syftet/målet
Läs merLARS ULVELAND HOPFIELDNÄTVERK FÖR IGENKÄNNING AV DEGRADERADE BILDER OCH HANDSKRIVNA TECKEN
LARS ULVELAD HOPFIELDÄTVERK FÖR IGEKÄIG AV DEGRADERADE BILDER OCH HADSKRIVA TECKE E PROJEKTRAPPORT FÖR PROJEKTKURSE I BILDAALYS HT 02 Teori för Hopfieldnätverk Hopfieldmodellen är en typ av neuronnät,
Läs merNyttjande av kartor och kartteknik hur ser framtiden ut? Jonas Bäckström, Sokigo AB
Nyttjande av kartor och kartteknik hur ser framtiden ut? Jonas Bäckström, Sokigo AB Att förutsäga framtiden.. "I predict the Internet will soon go spectacularly supernova and in 1996 catastrophically collapse.
Läs merArtificiella Neuronnät
Artificiella Neuronnät 2 3 4 2 (ANN) Inspirerade av hur nervsystemet fungerar Parallell bearbetning Vi begränsar oss här till en typ av ANN: Framåtkopplade nät med lagerstruktur 3 4 Fungerar i princip
Läs merVindkraft och ML. - hur kan vindkraft dra nytta avml
Vindkraft och ML - hur kan vindkraft dra nytta avml AI och ML Intelligens: förmågan att utnyttja kunskap för att bättre lösa en klass av uppgifter Lärande: förmågan att förbättra sin förmåga att lösa uppgifterna
Läs mer729G43 Artificiell intelligens / Maskininlärning 1. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 1 Marco Kuhlmann Introduktion Maskininlärning Tack vare maskininlärning kan AI-system idag bl.a. producera och förstå naturligt språk kontrollera maskiner,
Läs merDT1120 Spektrala transformer för Media Tentamen
DT Spektrala transformer för Media Tentamen 77 Tentamen består av fem uppgifter där varje uppgift maximalt ger 4 p. Normalt gäller följande betygsgränser: 3:9 p, 4: 3 p, 5: 7 p Tillåtna hjälpmedel: räknare,
Läs merStudy and Analysis of Convolutional Neural Networks for Pedestrian Detection in Autonomous Vehicles
UPTEC F 18020 Examensarbete 30 hp Juni 2018 Study and Analysis of Convolutional Neural Networks for Pedestrian Detection in Autonomous Vehicles Louise Augustsson Abstract Study and Analysis of Convolutional
Läs mer