хочу закончить прототип до 7-го января

подарок батюшке готовишь?

НЕ переносите в Development

Напрасно.

подарок батюшке готовишь?

Какому?

> Пожалуйста, НЕ переносите в Development > во-первых там мало людей

Когда нужно к зубному, ты идёшь к столяру?

> во-вторых эта тема как бы и для будущих потомков пригодится.

Как талкс относится к этому?

Православному.

Ок, можете переносить...

Поищи на хабре. Там много интересного на тему нейронных сетей.

О_о А он тут каким боком?

Модераторам: Пожалуйста, НЕ переносите в Development - во-первых там мало людей, во-вторых эта тема как бы и для будущих потомков пригодится.

Это в чистом виде Development, людей там не меньше - трекер для всех один.

По теме: Если надо что-нибудь простенькое, «на пощупать», то попробуйте нейронку Хебба. Если что посерьёзнее планируется, типа распознавания или корректировки образов, то нейронку Хопфилда.

А вообще, погуглите по «Брестский политехнический университет нейронная сеть», там кафедра нейронок есть. Может, будут в свободном доступе статьи, методички или книги...

Backprop реализуется за вечеро

По теме: Если надо что-нибудь простенькое, «на пощупать», то попробуйте нейронку Хебба. Если что посерьёзнее планируется, типа распознавания или корректировки образов, то нейронку Хопфилда.

Ни распознавание ни «на пощупать» - те входные и выходные векторы - оценка серьезности повреждений стальных балок.

Пруф?

Вот тебе коротенечко, «галопом по европам». http://mech.math.msu.su/~fpm/ps/k05/k058/k05803.pdf

Рождество же

возьмите готовую библиотеку - используйте её. Библиотек хватает, на разных языках причем. На каком языке надо-то? Для явы даже мышевозюканье есть http://neuroph.sourceforge.net/

Собственный опыт

Саймон Хайкин, «Нейронные сети». Толщина книги такая, что думаю можно кого-то убить.

Попроще, кажется были книги Уоссермена

Попроще

:)

Субьективно по сложности восприятия Уоссермен и Хайкин сравнимы с учебником математики для начальных классов и курсом Фихтенгольца

те входные и выходные векторы - оценка серьезности повреждений стальных балок.

На чем зыждится надежда обучить этому нейронную сеть? На святой вере в черную магию?

Вообще да

> во-вторых эта тема как бы и для будущих потомков пригодится.

Как талкс относится к этому?

А как же вопрос не нужности моделирования нейросетей на обычных компьютерах?

Backprop реализуется за вечеро

подтверждаю. а по artificial neural network гуглится достаточно много материала

Открываешь матлаб и делаешь man newff

Уоссермена

Онотоле?

возьмите готовую библиотеку

Не пойдет.

1. Они и так сейчас используют готовую на питоне.
2. Надобно переписать, чтобы на её основе курсовую/дипломную/диссер защатить можно было.

На рабочем прототипе.

Формулировка навевает мысли об экспертных системах, а не голых нейронных сетях.

У нас там идет целый конвейер расчетов - снятие показаний с модели частиц -> обработка -> база -> преобразователь -> нейросеть -> преобразователь -> Выход.

То есть все уже работает, надо просто реализовать самому уже существующую сеть?

Все работает, но не на самописных библиотеках.

fxd.

Ну а в чем тогда проблема? Алгоритмы открыты, эталон есть.

Вот я таки и ищу нормальную документацию по алгоритмам и реализации, поскольку используется какой-то blob на питоне.

Это в чистом виде Development, людей там не меньше - трекер для всех один.

Тут нацпол наваристей.

Вот я таки и ищу нормальную документацию по алгоритмам и реализации, поскольку используется какой-то blob на питоне.

Набросай сам на похапе. Для многослойного персептрона и алгоритма обучения методом обратного распространения ошибки - там делать нечего

В документации к модулю или хотя бы из названия классов, методов или аргументов можно как-то узнать, что за тип сети используется? После этого найти статью с формулами и реализацию должно быть проще.

Нах нужен трекер? Двач же какой-то получается: читаешь то, что апают

эти нейронные сети вообще имеют полезное реальное воплощение ?
столько разговоров про них, а практической полезной реализации чтото не видно
есть ли вообще от них польза ?

Подбор капч без привлечения индусов OCR же.

есть ли вообще от них польза ?

ну ты почитай например где они применяются и глупые вопросы сами пропадут.

blob на питоне.

Ты хоть знаешь, что такое blob? :}

Я имел в виду то, что просто стянута где-то реализация без малейшего понятия, как это работает. Нутыпонел.

стянута где-то реализация без малейшего понятия, как это работает

Зато эта реализация протестирована и работает.

А будет ли твой велосипед работать быстрее и стабильнее, если ты даже литературу не знаешь, какую копать?

И, да, выше я там видел что-то про диплом/диссер. Реализация нейросети по книжке как самоцель - это херня и вовсе ненаучно. Куда более проблематично решение прикладных задач нейросетями, уж там то голову поломаешь будь здоров (если задача не из разряда классической тривиальщины, которую на лабах дают). Реализация же *своих*, доселе неописанных и принципиально новых типов сетей - уже совсем другой уровень.

Я на экзамене на бумажке за 15 минут реализовывал :)

А не проще надыбать уже готовую топологию сети?

есть ли вообще от них польза ?

есть. если тебе лень внятно формализовать задачу, ты можешь воспользоваться нейросетью. работать будет (нейросети с рациональными весами эквивалентны машине Тьюринга) - медленно, неточно, но будет

Мне попадались в прошлом хорошие статьи, но за темой давно не слежу. А так,

(1) перцептрон - это задача нелинейной многомерной оптимизации, где вся фишка в том, что градиент удается вычислить за O(N), а не за O(N^2) как обычно. Можно рассматривать как метод мат. статистики;

(2) сеть Хопфильда - это по сути грубая проекция по обобщенному преобразованию Фурье на линейное пространство, порожденное заданным множеством запомненных образов. Если посмотреть на уравнения, то там вырисовывается по форме именно такое преобразование. Из математики известно, что если использовать ортогональный базис вместо образов, то получается точная проекция на пространство. Кроме этого, есть еще физический смысл. Что-то там про минимум энергии. Фишка метода в этих параллелях с наукой, а также в том, что удается сам процесс вычислений и обучения очень сильно распараллелить.

(3) про сеть Кохоненна уже благополучно забыл :)

пример реализации

http://swizard.livejournal.com/156685.html

многослойный перцептрон с обучением через метод обратного распространения ошибки.

У меня с ННГУ еще вот такая вещь осталась. Посмотри, может пригодится.

Бгг, у меня на CL такой тоже есть, правда с меньшей концентрацией веществ внутри :)

вот здесь можно даже код посмотреть:


http://leenissen.dk/fann/wp/download/

FANN Features:

Multilayer Artificial Neural Network Library in C
Backpropagation training (RPROP, Quickprop, Batch, Incremental)
Evolving topology training which dynamically builds and trains the ANN (Cascade2)
Easy to use (create, train and run an ANN with just three function calls)
Fast (up to 150 times faster execution than other libraries)
Versatile (possible to adjust many parameters and features on-the-fly)
Well documented (An easy to read introduction article, a thorough reference manual, and a 50+ page university report describing the implementation considerations etc.)
Cross-platform (configure script for linux and unix, dll files for windows, project files for MSVC++ and Borland compilers are also reported to work)
Several different activation functions implemented (including stepwise linear functions for that extra bit of speed)
Easy to save and load entire ANNs
Several easy to use examples
Can use both floating point and fixed point numbers (actually both float, double and int are available)
Cache optimized (for that extra bit of speed)
Open source, but can still be used in commercial applications (licenced under LGPL)
Framework for easy handling of training data sets
Graphical Interfaces
Language Bindings to a large number of different programming languages
Widely used (approximately 100 downloads a day)