Realizzazione e caratterizzazione di una semplice rete neurale per la separazione di due campioni di eventi Vincenzo Izzo.

Slides:



Advertisements
Presentazioni simili
Training On Line - CONP. 2 Richiesta Da Menu: Conferimenti ad inizio anno termico > Agosto > Pluriennali > Nuova Richiesta Si accede alla pagina di Richiesta.
Advertisements

Dipartimento di Ingegneria Idraulica e Ambientale - Universita di Pavia 1 Caduta non guidata di un corpo rettangolare in un serbatoio Velocità e rotazione.
1 Tutto su liceoclassicojesi.it 1° Incontro sulla gestione di liceoclassicojesi.it.
Le distribuzioni di probabilità continue
1 MeDeC - Centro Demoscopico Metropolitano Provincia di Bologna - per Valutazione su alcuni servizi erogati nel.
Mat_Insieme Lavoro di Gruppo Prodotti Notevoli
TAV.1 Foto n.1 Foto n.2 SCALINATA DI ACCESSO ALL’EREMO DI SANTA CATERINA DEL SASSO DALLA CORTE DELLE CASCINE DEL QUIQUIO Foto n.3 Foto n.4.
Lezioni di Astronomia 3- Le stelle Bologna 8 aprile 2010
1 Pregnana Milanese Assessorato alle Risorse Economiche Bilancio Preventivo P R O P O S T A.
Ministero della Salute - DGFDM
COORDINATE POLARI Sia P ha coordinate cartesiane
Frontespizio Economia Monetaria Anno Accademico
La scelta del paniere preferito
1 la competenza alfabetica della popolazione italiana CEDE distribuzione percentuale per livelli.
I sistemi di riferimento
1 Tavolo del Patto per la crescita intelligente, sostenibile e inclusiva Il ricorso agli ammortizzatori sociali nei territori colpiti dagli eventi sismici.
Implementazione dell algortimo di Viterbi attraverso la soluzione del problema di cammino mi- nimo tramite software specifico. Università degli studi di.
Ordini Parziali - Reticoli
Esercitazioni su circuiti combinatori
I MATEMATICI E IL MONDO DEL LAVORO
Algoritmi e Strutture Dati Capitolo 2 Modelli di calcolo e metodologie di analisi.
R. Soncini Sessa, MODSS, L 24b Analisi a molti obiettivi-esempi Rodolfo Soncini Sessa MODSS Copyright 2004 © Rodolfo Soncini Sessa.
EIE 06/07 II / 1 Strumenti delle politiche agricole in economia aperta equilibrio di mercato in economia aperta politiche di un paese importatore politiche.
EIE 0607 III / 1 A B P a = 30 P b = 35 t = 2, tc = 1 Questo può essere un equilibrio? No! Politiche di un paese importatore: una tariffa allimportazione.
Apprendimento di funzioni algebriche
Obiettivi del corso di Statistica Medica.
Programmazione 1 9CFU – TANTE ore
8. Reti di Code Nella maggior parte dei processi produttivi risulta troppo restrittivo considerare una sola risorsa. Esempio: linea tandem arrivi 1 v.
Canale A. Prof.Ciapetti AA2003/04
Ufficio Studi UNIONCAMERE TOSCANA 1 Presentazione di Riccardo Perugi Ufficio Studi UNIONCAMERE TOSCANA Firenze, 19 dicembre 2000.
Test di ipotesi X variabile casuale con funzione di densità (probabilità) f(x; q) q Q parametro incognito. Test Statistico: regola che sulla base di un.
Il linguaggio Fortran 90: 4. Array: Vettori e Matrici
TECNOLOGIE DEI SISTEMI DI CONTROLLO
Master universitario di II livello in Ingegneria delle Infrastrutture e dei Sistemi Ferroviari Anno Accademico 2012/2013 Cultura dimpresa, valutazione.
La partita è molto combattuta perché le due squadre tentano di vincere fino all'ultimo minuto. Era l'ultima giornata del campionato e il risultato era.
Dipartimento di Ingegneria Idraulica e Ambientale - Universita di Pavia 1 Scritte scritte scritte scritte scritte scritte scritte Scritte scritte Titolo.
Cos’è un problema?.
Lezione 4 Probabilità.
Lezione 6 Encoder ottici
Contatore: esempio di circuito sequenziale
CHARGE PUMP Principio di Funzionamento
Settimana: 3-7 marzo Orariolunedimartedi Mercoledi 5 Giovedi 6 Venerdi lezione intro alla fis mod DR lezione intro alla fis mod DR.
Velocità ed accelerazione
2 3 4 RISERVATEZZA INTEGRITA DISPONIBILITA 5 6.
Melfi, 1 aprile 2011 – MediaShow 1 Social Network: possibilità di uso consapevole nella didattica Uso, consapevolezza, opportunità, proposte Caterina Policaro.
Esercitazione 1: Rispetto al test di ansia (Media=25; σ=5), calcolare:
ISTITUTO COMPRENSIVO TORREGROTTA REPORT DATI QUESTIONARIO Alunni Scuola Primaria Classe V A.S.2012/2013.
1 Negozi Nuove idee realizzate per. 2 Negozi 3 4.
ORDINE DI CHIAMATA a 1minuto e 2 minuti PRINCIPALI TEMPI DELLA COMPETIZIONE ORDINE DI CHIAMATA a 1minuto e 2 minuti PRINCIPALI TEMPI DELLA COMPETIZIONE.
Scheda Ente Ente Privato Ente Pubblico. 2ROL - Richieste On Line.
TECNOLOGIE DELLINFORMAZIONE E DELLA COMUNICAZIONE PER LE AZIENDE Materiale di supporto alla didattica.
1 Guida per linsegnamento nei corsi per il conseguimento del CERTIFICATO DI IDONEITÀ ALLA GUIDA DEL CICLOMOTORE.
Bando Arti Sceniche. Per poter procedere è indispensabile aprire il testo del Bando 2ROL - Richieste On Line.
LE SAI LE TABELLINE? Mettiti alla prova!.
QUIZ – PATENTE EUROPEA – ESAME WORD
1 Questionario di soddisfazione del servizio scolastico Anno scolastico 2011/2012 Istogramma- risposte famiglie.
Un trucchetto di Moltiplicazione per il calcolo mentale
1101 = x 10 x 10 x x 10 x = CORRISPONDENZE
21 marzo 2002 (ri-)Avvisi: Giovedi 28 marzo la lezione e sospesa. Nuovo indirizzo di Spedire messaggi e esercizi solo.
Calendario lezioni ed esercitazioni impartite nell anno accademico 2001/2002 II Semestre Corso di Fisica Sperimentale con Laboratorio Classe di Tecnologie.
Il caos quantistico nelle reazioni chimiche triatomiche
1Piero Scotto - C14. Finalità del corso Programma Materiale Requisiti Spendibilità 2Piero Scotto - C14.
Sviluppare un programma in C che, dato un array da 100 elementi interi caricato con numeri casuali compresi tra [10,100], sia in grado di cercare il valore.
-17 Aspettative economiche – Europa Settembre 2013 Indicatore > +20 Indicatore 0 a +20 Indicatore 0 a -20 Indicatore < -20 Unione Europea Totale: +6 Indicatore.
NO WASTE Progetto continuità scuola primaria scuola secondaria Salorno a.s. 2013_
Numeri Interi senza segno
Corso di ELETTROTECNICA
Un’analisi dei dati del triennio
TRASFORMATA DI FOURIER
IL GIOCO DEL PORTIERE CASISTICA. Caso n. 1 Il portiere nella seguente azione NON commette infrazioni.
Transcript della presentazione:

Realizzazione e caratterizzazione di una semplice rete neurale per la separazione di due campioni di eventi Vincenzo Izzo

Sommario Le reti neurali Lalgoritmo di apprendimento I risultati Vincenzo Izzo

1 Reti neurali biologiche corpo cellulare o soma, dal quale partono collegamenti (dendriti) verso altri neuroni: compito dei dendriti è ricevere i segnali dagli altri neuroni collegati il soma ha un collegamento di uscita, o assone, con il quale il neurone trasmette i suoi dati verso i dendriti di altri neuroni

2 Vincenzo Izzo Reti neurali artificiali Composta da un certo numero di neuroni collegati tra loro da collegamenti pesati Accetta dati sulle unità in ingresso (input) e presenta i corrispondenti dati sulle unità di uscita; può avere unità nascoste (hidden) che contribuiscono a codificare i legami tra le variabili di input e quelle di output Ogni neurone riceve una combinazione lineare delle uscite dei neuroni dello strato precedente e tali connessioni sono pesate dai pesi sinaptici w i

3 Vincenzo Izzo Lapprendimento (1) Si inizializza la rete scegliendo i pesi in modo casuale; Si fornisce un campione di training composto da coppie Input/output atteso; Si calcola il risultato in output della rete e lo si confronta con loutput atteso; Si modificano i pesi dei collegamenti tra i neuroni in funzione dello scarto tra output e output atteso. La funzione di trasferimento input-output della rete viene ottenuta attraverso un processo di addestramento (training) con dati proposti alla rete La correzione dei pesi avviene secondo una semplice somma w i = w i + w i

4 Vincenzo Izzo Lapprendimento (2) Definiamo lerrore commesso dalla rete N 0 = neuroni in uscita, T = eventi del campione di training, Out i = valori in uscita della rete, Y i = valori attesi E = 1 (Y i (t) - Out i (t) ) 2 N0N0 T i=1t=1 N0N0 La correzione sui pesi è

5 Vincenzo Izzo Lapprendimento (3) Per un solo perceptrone la correzione vale w i = η(t-y)x i, Per una rete a tre livelli, tra layer dingresso e nascosto Dove x i sono gli input, i = Out i (t) (Y i - Out i )(1 - Out i (t) ) e w il sono i pesi tra layer di input e layer nascosto; tra layer nascosto e layer di uscita è Dove gli h k indicano loutput del k-esimo neurone del layer nascosto

6 Vincenzo Izzo I problemi nellapprendimento Si inizializza la rete scegliendo i pesi in modo casuale Si può risolvere scegliendo diverse velocità di apprendimento

7 Vincenzo Izzo La programmazione Insieme S x1x1 σ1σ1 x2x2 σ2σ2 x3x3 σ3σ3 x4x4 σ4σ Insieme N x1x1 σ1σ1 x2x2 σ2σ2 x3x3 σ3σ3 x4x4 σ4σ Se un dato appartiene allinsieme S, luscita del neurone dovrà essere 1, se appartiene allinsieme N luscita sarà 0 La generazione dei dati gaussiani i dati sono mescolati alternando una quadrupla dellinsieme S ed una quadrupla dellinsieme N i dati sono mescolati in modalità casuale basata sullo stesso algoritmo di generazione di numeri casuali

8 Vincenzo Izzo I risultati Errore commesso dal neurone, per il campione di training e quello di controllo E = 1 (Y i (t) - Out i (t) ) 2 N0N0 T i=1t=1 N0N0 Risposta in uscita, per il campione di training e quello di controllo Efficienza e contaminazione per gli insiemi S e N del neurone, per il campione di training e quello di controllo

9 Vincenzo Izzo I risultati – 100 eventi Errore del neurone su 100 eventi: training (a sin.) e controllo

10 Vincenzo Izzo I risultati – 100 eventi Uscita del neurone per linsieme S: training (a sin.) e controllo

11 Vincenzo Izzo I risultati – 100 eventi Uscita del neurone per linsieme N: training (a sin.) e controllo

12 Vincenzo Izzo I risultati – 100 eventi Efficienza del neurone sul campione S in funzione del taglio: training (a sin.) e controllo

13 Vincenzo Izzo I risultati – 100 eventi Efficienza del neurone sul campione N in funzione del taglio: training (a sin.) e controllo

14 Vincenzo Izzo I risultati – 100 eventi Contaminazione del campione S in funzione del taglio: training (a sin.) e controllo

15 Vincenzo Izzo I risultati – 100 eventi Contaminazione del campione N in funzione del taglio: training (a sin.) e controllo

16 Vincenzo Izzo I risultati – dipendenza da n. eventi Errore del neurone per 50, 100, 200 eventi – campione di training

17 Vincenzo Izzo I risultati – dipendenza da n. eventi Errore del neurone per 50, 100, 200 eventi – campione di controllo

18 Vincenzo Izzo I risultati – dipendenza da n. eventi Output per linsieme N per 50, 100, 200 eventi – campione di training

19 Vincenzo Izzo I risultati – dipendenza da n. eventi Output per linsieme N per 50, 100, 200 eventi – campione di controllo

20 Vincenzo Izzo I risultati – dipendenza da n. eventi Output per linsieme S per 50, 100, 200 eventi – campione di training

21 Vincenzo Izzo I risultati – dipendenza da n. eventi Output per linsieme S per 50, 100, 200 eventi – campione di controllo

22 Vincenzo Izzo I risultati – dipendenza da n. eventi Efficienza per linsieme N per 50, 100, 200 eventi – campione di training

23 Vincenzo Izzo I risultati – dipendenza da n. eventi Efficienza per linsieme N per 50, 100, 200 eventi – campione di controllo

24 Vincenzo Izzo I risultati – dipendenza da n. eventi Efficienza per linsieme S per 50, 100, 200 eventi – campione di training

25 Vincenzo Izzo I risultati – dipendenza da n. eventi Efficienza per linsieme S per 50, 100, 200 eventi – campione di controllo

26 Vincenzo Izzo I risultati – dipendenza da n. eventi Contaminazione per linsieme N per 50, 100, 200 eventi – campione di training

27 Vincenzo Izzo I risultati – dipendenza da n. eventi Contaminazione per linsieme N per 50, 100, 200 eventi – campione di controllo

28 Vincenzo Izzo I risultati – dipendenza da n. eventi Contaminazione per linsieme S per 50, 100, 200 eventi – campione di training

29 Vincenzo Izzo I risultati – dipendenza da n. eventi Contaminazione per linsieme S per 50, 100, 200 eventi – campione di controllo

30 Vincenzo Izzo I risultati – dipendenza da n. eventi Andamento dei pesi in funzione delle epoche, per 50, 100, 200 eventi nel campione

31 Vincenzo Izzo I risultati – dip. dal parametro Andamento dellerrore in funzione delle epoche, per α=0.5, 2, 10 - Training

32 Vincenzo Izzo I risultati – dip. dal parametro Andamento dellerrore in funzione delle epoche, per α=0.5, 2, 10 - Controllo

33 Vincenzo Izzo I risultati – dip. dal parametro Efficienza per il campione N, per α=0.5, 2, 10 - Training

34 Vincenzo Izzo I risultati – dip. dal parametro Efficienza per il campione N, per α=0.5, 2, 10 - Controllo

35 Vincenzo Izzo I risultati – dip. dal parametro Efficienza per il campione S, per α=0.5, 2, 10 - Training

36 Vincenzo Izzo I risultati – dip. dal parametro Efficienza per il campione S, per α=0.5, 2, 10 - Controllo

37 Vincenzo Izzo I risultati – dip. dal parametro Andamento dei pesi in funzione delle epoche, per α=0.5, 2, 10

38 Vincenzo Izzo I risultati – dip. dal mixing dei dati Andamento dellerrore in funzione delle epoche, modalità alternata (a sin.) e pseudorandom - Training

39 Vincenzo Izzo I risultati – dip. dal mixing dei dati Andamento dellerrore in funzione delle epoche, modalità alternata (a sin.) e pseudorandom - Controllo

40 Vincenzo Izzo I risultati – dip. dal mixing dei dati Efficienza per il campione N, modalità alternata (a sin.) e pseudorandom – Training

41 Vincenzo Izzo I risultati – dip. dal mixing dei dati Efficienza per il campione N, modalità alternata (a sin.) e pseudorandom – Controllo

42 Vincenzo Izzo I risultati – dip. dal mixing dei dati Efficienza per il campione S, modalità alternata (a sin.) e pseudorandom – Training

43 Vincenzo Izzo I risultati – dip. dal mixing dei dati Efficienza per il campione S, modalità alternata (a sin.) e pseudorandom – Controllo

44 Vincenzo Izzo I risultati – dip. dal mixing dei dati Andamento dei pesi in funzione delle epoche, modalità alternata (a sin.) e pseudorandom

45 Vincenzo Izzo I risultati – dip. dalla sovrapposizione dei dati Insieme S x1x1 σ1σ1 x2x2 σ2σ2 x3x3 σ3σ3 x4x4 σ4σ Insieme N x1x1 σ1σ1 x2x2 σ2σ2 x3x3 σ3σ3 x4x4 σ4σ Insieme S x1x1 σ1σ1 x2x2 σ2σ2 x3x3 σ3σ3 x4x4 σ4σ Insieme N x1x1 σ1σ1 x2x2 σ2σ2 x3x3 σ3σ3 x4x4 σ4σ

46 Vincenzo Izzo Andamento dellerrore in funzione delle epoche, per i dati della tabella 1 (a sin.) e tabella 2 - Training I risultati – dip. dalla sovrapposizione dei dati

47 Vincenzo Izzo Andamento dellerrore in funzione delle epoche, per i dati della tabella 1 (a sin.) e tabella 2 - Controllo I risultati – dip. dalla sovrapposizione dei dati

48 Vincenzo Izzo Efficienza per il campione N, per i dati della tabella 1 (a sin.) e tabella 2 – Training I risultati – dip. dalla sovrapposizione dei dati

49 Vincenzo Izzo Efficienza per il campione N, per i dati della tabella 1 (a sin.) e tabella 2 – Controllo I risultati – dip. dalla sovrapposizione dei dati

50 Vincenzo Izzo Efficienza per il campione S, per i dati della tabella 1 (a sin.) e tabella 2 – Training I risultati – dip. dalla sovrapposizione dei dati

51 Vincenzo Izzo Efficienza per il campione S, per i dati della tabella 1 (a sin.) e tabella 2 – Controllo I risultati – dip. dalla sovrapposizione dei dati

52 Vincenzo Izzo Andamento dei pesi in funzione delle epoche, per i dati della tabella 1 (a sin.) e tabella 2 I risultati – dip. dalla sovrapposizione dei dati

Vincenzo Izzo

La programmazione La generazione dei dati gaussiani: metodo di Box-Muller Si parte da una distribuzione gaussiana bidimensionale Si passa da coordinate cartesiane X e Y in coordinate polari r e θ, tenendo conto che r è lo Jacobiano della trasformazione e che quindi dxdy = rdrdθ Si ottiene lespressione per r e θ a partire da due distribuzioni uniformi in (0,1) descritti dalle grandezze X 1 e X 2 che invertite danno Ritornando alle coordinate X e Y si ottiene così X = r cos e Y = r sin.