webdonsk.ruКак сделать нейронную сеть в эксель
Добавил пользователь Евгений Кузнецов Обновлено: 29.08.2024
Рассказываем, как за несколько шагов создать простую нейронную сеть и научить её узнавать известных предпринимателей на фотографиях.
Проще всего разобраться с принципами работы нейронных сетей можно на примере Teachable Machine — образовательного проекта Google.
В качестве входящих данных — то, что нужно обработать нейронной сети — в Teachable Machine используется изображение с камеры ноутбука. В качестве выходных данных — то, что должна сделать нейросеть после обработки входящих данных — можно использовать гифку или звук.
Теперь остается выбрать действие, которое нужно вызывать при распознании образа — произнести фразу, показать GIF или проиграть звук. Аналогично обучаем нейронную сеть распознавать удивленное лицо и большой палец.
Коммуникативный педагогический тренинг: способы взаимодействия с разными категориями учащихся
Сертификат и скидка на обучение каждому участнику
Ф.И.О. учителя
Толыбаева Эльвира Окасовна
Проектирование нейронных сетей в MS Excel
Цели обучения
Порядок действий
(заполняется учителем)
Ты узнаешь:
· крытые слои нейрона;
· математическую запись функции единичного скачка;
· формулу среднеквадратичной ошибки.
Ты научишься:
· проектировать искусственный нейрон в электронной таблице;
· вычислять функцию единичного скачка и среднеквадратичную ошибку.
Нейроны оперируют числами в диапазоне [0, 1] или [–1, 1]. Продемонстрируем расчет результата нейронной сети с использованием логистической функции и ее ошибку, используя среднеквадратичную ошибку.
Тренировочный сет, или обучающая выборка (датасет), – набор данных, на которых нейронная сеть будет обучаться. В нашем случае исключающего или (xor) у нас всего 4 разных исхода, то есть у нас будет 4 тренировочных сета: 0xor0 = 0, 0xor1 = 1, 1xor0 = 1,1xor1 = 0.
Итерация – это своеобразный счетчик, который увеличивается каждый раз, когда нейронная сеть проходит один набор данных.
Важно не путать итерацию с эпохой и понимать последовательность их инкремента. Сначала n раз увеличивается итерация, а потом уже эпоха, и никак не наоборот.
Эпоха – при инициализации нейронной сети эта величина устанавливается в 0 и имеет потолок, задаваемый вручную. Чем больше эпоха, тем лучше натренирована сеть, и тем лучше ее результат. Эпоха увеличивается каждый раз, когда мы проходим весь набор обучающих выборок, в нашем случае 4 сета, или 4 итерации.
Ошибка – формируется каждую эпоху и должна идти на спад. Если этого не происходит, значит, вы что-то делаете не так. Ошибку можно вычислить разными способами, но мы рассмотрим два: среднеквадратичную ошибку и среднеквадратичное отклонение.
Формула вычисления среднеквадратичной ошибки:
Cреднеквадратичное отклонение вычисляется по формуле:
O 1 , O2, …, On – фактический сигнал, полученный на выходе (входе);
A 1 , A2, …, An – идеальный сигнал, который должен быть получен на выходе (входе);
n – количество датасетов.
I 1 , I2 – входные нейроны;
H 1 , H2 – скрытые нейроны;
O 1 – выходной нейрон.
Запишем значения параметров в Excel:
Вычисляем взвешенную сумму для первого входа:
Взвешенная сумма первого входа: H1input = 0 ? 0,13 + 1 ? (–0,58) = –0,58.
Используем сигмоидную функцию активации для первого входа. В этом нам поможет встроенная функция экспоненты (EXP) в MS Excel: H1output = sigmoid(–0,58) = 0,36.
Вычисляем взвешенную сумму для второго входа:
Взвешенная сумма второго входа: H2input = 0 ? 0,52 + 1 ? 0,63 = 0,63.
Используем сигмоидную функцию активации для второго входа: H2output = sigmoid(0,63) = 0,65.
Вычисляем взвешенную сумму для выхода:
O 1input = 0,36 ? 2,5 + 0,65 ? (–0,3) = 0,7.
Используем сигмоидную функцию активации для выхода.
O 1output = sigmoid(0,7) = 0,67.
Вычисляем ошибку по формуле, используя встроенная функцию СТЕПЕНЬ в MS Excel:
Среднеквадратичная ошибка O1ideal = 1 (0xor1 = 1).
Error = ((1 – 0,67) 2 )/1 = 0,11.
Результат на выходе нейрона будет равен 0,67, а среднеквадратичная ошибка будет равна 11 %.
Кроме сигмоидной функции, существует ряд и других фукнции активации, которые используются при обучении искусственной нейронной сети. Функция единичного скачка – это простой вид функции активации, где выход нейрона может быть равен только 0 или 1.
Графически эту функцию можно изобразить следующим образом:
Математическая запись функции единичного скачка выгдядит так:
Если взвешенная сумма больше определенного порога b, то выход нейрона равен 1.
Как ее можно использовать? Предположим, что мы поедем на море только тогда, когда взвешенная сумма больше или равна 5. Если взвешенная сумма = 2, выход нейрона = 0, то мы никуда не едем. Если взвешенная сумма = 7, значит, выходной сигнал нашего нейрона равен 1, и мы едем на море. Нейрон зависит от взвешенной суммы, и если она получается больше его порога, то нейрон выдает выходной сигнал, равный 1.
Вы сможете пройти комплекс заданий, состоящий из 9 упражнений.
Каждое упражнение имеет уровень сложности (уровни сложности: А, В, С).
Упражнения будут представлены по нарастающей сложности от легкого к более сложному.
Обратная связь от учителя
(словесная оценка и/или комментарий)
Обратную связь по всем этапам этого урока смотри в электронном дневнике Kundelik
Материалы этого урока будут находиться в системе Kundelik и Классрум до конца четверти и ты сможешь всегда к ним обратиться и повторить этот материал
Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Денисов Д. П., Касымова О. К.
Разработан алгоритм распознавания чисел с эмуляцией нейронной сети на основе использования стандартных функций табличного процессора MS Excel. Информация может быть полезной для специалиста и слушателя в плане изучения проблем нейронной сети.
Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Денисов Д. П., Касымова О. К.
Универсальный алгоритм контроля качества решения электронных кроссвордов с пошаговой индикацией и расчетом рейтинга
Д. П. Денисов, О. К. Касымова Омская гуманитарная академия
ПРОЕКТИРОВАНИЕ НЕЙРОННОЙ СЕТИ В ТАБЛИЧНОМ ПРОЦЕССОРЕ MS EXCEL
Разработан алгоритм распознавания чисел с эмуляцией нейронной сети на основе использования стандартных функций табличного процессора MS Excel. Информация может быть полезной для специалиста и слушателя в плане изучения проблем нейронной сети.
Ключевые слова: нейронная сеть, алгоритм распознавания чисел.
Нейронные сети широко используются в распознавании образов, идентификации объектов и прогнозировании экономических процессов.
Под образом понимается структурированное описание изучаемого объекта, процесса или явления, представленное вектором признаков, выражаемых количественно. В результате идентификации объектов осуществляется их классификация, позволяющая выявлять закономерности и выполнять прогнозы [1].
С целью наглядного отражения принципа работы нейронной сети спроектирован алгоритм распознавания знаков с использованием стандартных функций табличного процессора MS Excel. Решение компактно размещается на одной странице электронной книги (рисунок), обозримо без применения скроллинга [2] и позволяет ознакомиться с основными элементами и режимами работы нейронной сети в интерактивном режиме.
Системе предлагается распознать образы знаков десятичной системы (0, 1, 2, . 9), построенные с помощью горизонтальных, вертикальных и наклонных штрихов (коротких линий):
Внешний вид рабочего листа задания
выглядят табло индикаторных устройств, шаблоны почтовых
выполнен при помощи двух горизонтальных и
Для идентификации образов полного набора (10 знаков) потребуется составить таблицу обучения нейронной системы по четырем признакам (видам штрихов), т. е. вектор 1-го эталона Х< будет иметь следующие компоненты:
хц - количество вертикальных штрихов; Х12 - количество горизонтальных штрихов;
Х13 - количество наклонных штрихов нижних;
х;4 - количество наклонных штрихов верхних.
Таблица эталонов располагается на листе MS Excel в виде матрицы (массив B5:E14).
Рассмотрим, как работает система.
Информация, поступающая с виртуального сканирующего устройства, представляет собой поток действительных чисел (Xi').
Рецептор (ячейка "B18") воспринимает (пропускает) числа по модулю Надоели баннеры? Вы всегда можете отключить рекламу.
Andrey Babenko
Жду, когда нейросеть в Excel скажет бухгалтеру: "Мне нужна твоя одежда и мотоцикл!"
Андрей, !
Наверное, это будет и равноценный обмен: дружище, держи свои 300 миллионов, которые я уже скрытно перевёл со счёта твоей компании на Каймановы острова, а ты меня взамен выпусти в Интернет.
На выборы не хожу потому что к выборам отношения не имеют только бизнес печатают листовки кто-то обогащается личный карманы
Разработка алгоритма распознавания чисел с эмуляцией нейронной сети на основе использования стандартных функций табличного процессора MS Excel. Распознавание образов знаков десятичной системы, построенной с помощью горизонтальных и вертикальных штрихов.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 29.01.2020 |
| Размер файла | 153,7 K |
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Омская гуманитарная академия
ПРОЕКТИРОВАНИЕ НЕЙРОННОЙ СЕТИ В ТАБЛИЧНОМ ПРОЦЕССОРЕ MS EXCEL
Д.П. Денисов, О.К. Касымова
Разработан алгоритм распознавания чисел с эмуляцией нейронной сети на основе использования стандартных функций табличного процессора MS Excel. Информация может быть полезной для специалиста и слушателя в плане изучения проблем нейронной сети.
Ключевые слова: нейронная сеть, алгоритм распознавания чисел.
Нейронные сети широко используются в распознавании образов, идентификации объектов и прогнозировании экономических процессов.
Под образом понимается структурированное описание изучаемого объекта, процесса или явления, представленное вектором признаков, выражаемых количественно. В результате идентификации объектов осуществляется их классификация, позволяющая выявлять закономерности и выполнять прогнозы [1].
С целью наглядного отражения принципа работы нейронной сети спроектирован алгоритм распознавания знаков с использованием стандартных функций табличного процессора MS Excel. Решение компактно размещается на одной странице электронной книги (рисунок), обозримо без применения скроллинга [2] и позволяет ознакомиться с основными элементами и режимами работы нейронной сети в интерактивном режиме.
Системе предлагается распознать образы знаков десятичной системы (0, 1, 2, …, 9), построенные с помощью горизонтальных, вертикальных и наклонных штрихов (коротких линий):
Читайте также: