рефераты конспекты курсовые дипломные лекции шпоры

Раздел Медицина
/
Роль учителя

Реферат Курсовая Конспект

Выберите учебное заведение

Роль учителя

Роль учителя - раздел Медицина, Про Интеллект. Временная иерархическая память Предположим, Вам Показали Изображения Еды И Попросили Идентифицировать Каждую...

Предположим, вам показали изображения еды и попросили идентифицировать каждую картинку либо как «фрукт», либо как «овощ». Если показано яблоко или апельсин, вы говорите «фрукт». Если показан картофель или лук, вы говорите «овощ». Откуда вы узнали, что и яблоко и апельсин относятся к одной и той же категории? Никогда такого не было, чтоб вы держали в руках яблоко, которое по мере поворота превращалось в апельсин. Кажется, что HTM сама по себе не могла бы изучить, используя пространственный и временной пулинг, что яблоки и апельсины должны быть сгруппированы в одну категорию.

Только что описанная задача различения «фруктов» и «овощей» ясна, но та же самая задача может возникнуть и в ситуации, подобной ситуации с арбузом. Не гарантируется, что HTM всегда будет изучать желаемые причины путем ощущения последовательностей входных паттернов. Например, что если HTM сначала была натренирована на внутренностях арбуза, а затем на его наружной стороне? Было бы естественным отнести эти отдельные паттерны к различным причинам. Следовательно, мы обучаем HTM на срезе арбуза, когда ей показывают последовательность от внутренностей до наружной стороны. Возможно, что HTM сформирует высокоуровневую причину (арбуз), которая представляет пулинг двух низкоуровневых причин (красные внутренности становятся зеленой наружной стороной). Но, также возможно, что этого не случится. Это зависит от дизайна иерархии, от того, как вы обучаете HTM и от статистики входной информации. Если переход между внутренностями и наружной стороной займет много времени, или если будет слишком много промежуточных шагов, может получиться, что HTM не совершит пулинг причин так, как вы надеетесь. Люди сталкиваются с подобной проблемой, когда изучают вещи, такие как фрукты, или кто такие художники-импрессионисты. Это не всегда очевидно из сенсорных данных.

Такой класс задач решается «в лоб». Обучение корректной категоризации, то есть обучение корректным причинам может быть выполнено гораздо быстрее и определеннее при использовании обучения с учителем. В HTM это делается путем установки предварительных ожиданий на узлах верхнего уровня иерархии в процессе обучения. Этот процесс аналогичен тому, как родители говорят «фрукты», «овощи» или «арбуз», когда ребенок играет с едой. Вы могли бы самостоятельно обнаружить, что у некоторых продуктов есть зернышки, а у других – нет, и, следовательно, обнаружит категорию, которую мы называем «фрукты», но было бы быстрее и определеннее, если бы кто-то просто сказал вам об этом.

Родители, говорящие произносящие слова, такие как «фрукт», вызывают на вершине слуховой иерархии стабильный паттерн (этот паттерн – причина, представляющая звуки слова). Этот стабильный паттерн затем влияет на визуальную иерархию, облегчая формирование желаемых категорий визуальной информации.

В HTM мы можем просто устанавливать состояния на вершине иерархии в процессе обучения. Для некоторых приложений HTM было бы лучше использовать обучение с учителем, а для других – лучше без учителя. Например, если у нас есть HTM, которая пытается обнаружить высокоуровневые причины флуктуаций на рынке ценных бумаг, мы возможно не хотели бы устанавливать в системе наши априорные гипотезы. В конце концов, цель этой системы – обнаружить причины, которые люди еще не обнаружили. В отличие от этого, если у нас есть HTM, которая используется для улучшения безопасности автомобиля путем изучения близлежащего дорожного движения, имело бы смысл использовать обучение с учителем, показывая, какие ситуации опасны, а какие – нет, не доводя до того, что система самостоятельного это обнаружит.

Развернуть

Открыть в широком формате

– Конец работы –

Эта тема принадлежит разделу:

Про Интеллект. Временная иерархическая память

На сайте allrefs.net читайте: "Про Интеллект. Временная иерархическая память"

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Роль учителя

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Обнаружение причин в мире
Рисунок 1 показывает, как HTM взаимодействует с внешним миром. Слева на этом рисунке прямоугольник, представляющий мир, который изучает HTM. Мир состоит из объектов и их отношений. Некоторые из объ

Выдвижение гипотез о причинах нестандартной информации
Когда HTM знает, какие причины существуют в ее мире и как представлять их, она может выдвигать гипотезы. «Выдвижение гипотез» подобно распознаванию паттернов. При наличии нестандартной информации H

Предсказания
HTM состоят из иерархии узлов памяти, где каждый узел изучает причины и формирует гипотезы. Часть алгоритма обучения, выполняемая каждым узлом, заключается в том, чтобы хранить возможные последоват

Установка предпочтений
Когда HTM предсказывает, что вероятнее всего должно произойти далее, предсказание может выступать в качестве того, что называется «априорная вероятность», обозначая, что оно склоняет систему выдвиг

Воображение и планирование
HTM автоматически предсказывает и предчувствует, что вероятнее всего произойдет далее. Вместо того, чтоб использовать эти предсказания для установки предпочтений, предсказания HTM могут быть направ

Управление поведением
HTM, изучившая причины в мире и то, как эти причины ведут себя во времени, по существу создала модель этого мира. Теперь предположим, что HTM подключена к системе, которая физически взаимодействует

HTM моделирует мир путем построения представлений причин, включая предустановленное моторное поведение
По мере того, как HTM открывает причины в ее мире, она обучается представлять ее предустановленное поведение точно также, как и поведение объектов внешнего мира. С точки зрения HTM, система, к кото

Представление моторного поведения автоассоциативно сопоставляется с моторными генераторами, позволяющими HTM управлять поведением
Вы можете наблюдать основы этого механизма изучения поведения на своем собственном теле. Такое поведение, как движение глаз, жевание, дыхание, отдергивание руки от острых предметов, ходьба и даже б

Совместное использование представлений ведет к обобщению и эффективности хранения
Большинство методов, предложенных для распознавания паттернов, не способны масштабироваться к большой задаче. Часто эти методы безуспешны, потому что количество памяти и времени, требуемого для обу

Иерархия HTM соответствует пространственной и временной иерархии реального мира
Одна из причин, по которой HTM эффективны при обнаружении новых причин и выдвижении гипотез, заключается в том, что структура мира иерархична. Вообразите две точки в визуальном пространстве. Мы мож

Распространение гипотез гарантирует, что все узлы быстро приходят к наилучшим взаимно согласованным гипотезам
Граф, где каждый узел представляет гипотезу или набор гипотез, обычно называют Байесовской сетью. Соответственно, HTM подобны Байесовским сетям. В Байесовских сетях гипотезы в каждом узле могут мод

Иерархическое представление дает механизм внимания.
Иерархия в HTM обеспечивает механизм скрытого внимания. «Скрытое» внимание - это когда вы мысленно обращаете внимание на ограниченную порцию сенсорной информации. Люди могут обращать внимание на ча

Обработка распределений и данных из реального мира
Паттерны на предыдущих рисунках были не реалистичными. Большинство будет иметь более 16 входных линий, и, следовательно, входные паттерны, получаемые узлом, смотрящим в реальный мир будут гораздо б

Распознавание статических изображений
Теперь мы можем обратиться к последнему вопросу этого раздела. Скажем, у нас есть система зрения, основанная на HTM. Мы обучаем ее с помощью изменяющихся во времени изображений. Она формирует предс

Представление времени
Для некоторых временных паттернов важно конкретное или относительное время между элементами в последовательности. Например, временные интервалы между нотами в мелодии или время между фонемами в про

Вопросы
Этот раздел содержит общие вопросы относительно HTM и несколько смешанных тем, которые еще не были затронуты. Нет особой необходимости знать эти материалы, чтобы развертывать системы, основанные на

Возможности
Самая передовая возможность технологии HTM – это ее способность обнаруживать причины, лежащие в основе сенсорных данных. Причины – это устойчивые и повторяющиеся структуры в мире. Концепция «причин

Технология
Технически HTM могут рассматриваться как форма Байесовских сетей, где сеть состоит из набора узлов, упорядоченных в древовидной иерархии. Каждый узел в иерархии самостоятельно открывает набор причи

Результаты
HTM – это новая мощная вычислительная парадигма, которая может быть в конечном счете приравнена по важности к традиционным программируемым компьютерам в смысле общественного влияния и финансовых во