informatics4kids.de

Benutzer-Werkzeuge

Webseiten-Werkzeuge

Zuletzt angesehen:
lernalgorithmus

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen RevisionVorhergehende Überarbeitung
Nächste Überarbeitung		Vorhergehende Überarbeitung
lernalgorithmus [2025/01/25 08:29] – torsten.roehllernalgorithmus [2025/01/29 10:58] (aktuell) – [Netzeingabe $net$] torsten.roehl
Zeile 7: Zeile 7:
           * **Ausgabeneuron** $y_1$ oder $o$ für **O**utput.           * **Ausgabeneuron** $y_1$ oder $o$ für **O**utput.
           * **Gewichte** $w_{11}$ , $w_{21}$ und $w_{31}$           * **Gewichte** $w_{11}$ , $w_{21}$ und $w_{31}$
-                  * Das Gewicht $w_{31}$ hat immer den Wert<color #22b14c> $w_{31}=-0.1$</color> .+                  * Das Gewicht $w_{31}$ hat (in unserem Beispiel) immer den Wert<color #22b14c> $w_{31}=-0.1$</color> .
 {{ :pnn.png?400 |}} {{ :pnn.png?400 |}}
 <WRAP center round tip 90%> <WRAP center round tip 90%>
-Die Schwelle θ wird durch ein konstantes Gewicht $w_{31}=−0.1$ festgelegt. Nur  die Gewichte $w_{11}​$ und $w_{21}$ werden gelernt, um alle Trainingsmuster wiedergeben zu können.+Die Schwelle θ wird durch ein konstantes Gewicht (in unserem Beispiel) $w_{31}=−0.1$ festgelegt. Nur  die Gewichte $w_{11}​$ und $w_{21}$ werden gelernt, um alle Trainingsmuster wiedergeben zu können.
  
  
Zeile 27: Zeile 27:
 \begin{equation} net_j = \sum w_{ij} \cdot x_i \end{equation}  \begin{equation} net_j = \sum w_{ij} \cdot x_i \end{equation} 
 Da wir nur ein Ausgabeneuron haben ist $net_j=net_1=net$ also folgt für drei Eingabeneuronen: Da wir nur ein Ausgabeneuron haben ist $net_j=net_1=net$ also folgt für drei Eingabeneuronen:
-\begin{equation} net = \sum_1^3 w_{1j} \cdot x_i = w_{11}  \cdot x_1 +   w_{12}  \cdot x_1+ w_{13}  \cdot 1\end{equation}  +\begin{equation} net = \sum_{i=1}^3 w_{i1} \cdot x_i = w_{11}  \cdot x_1 +   w_{21}  \cdot x_2+ w_{31}  \cdot 1\end{equation}  
 +Dabei wird verwendet, dass $x_3=1$ gesetzt worden ist.
 ==== Aktivierungsfunktion ==== ==== Aktivierungsfunktion ====
 Die Aktivierungsfunktion für das //Perzeptron// lautet: Die Aktivierungsfunktion für das //Perzeptron// lautet:
Zeile 77: Zeile 77:
   - Ändern Sie die Implementierung um auch das ODER-Problem zu lernen.   - Ändern Sie die Implementierung um auch das ODER-Problem zu lernen.
           - Wiederholen Sie das Lernen mehrmals und untersuchen Sie die gelernten Gewichte $w_{11}$ und $w_{21}$.           - Wiederholen Sie das Lernen mehrmals und untersuchen Sie die gelernten Gewichte $w_{11}$ und $w_{21}$.
-  - Untersuchen Sie die Abhängigkeit der Lernrate von der Anzahl der Iterationen, die benötigt werden, um das Problem zu lösen. Erstellen Sie hierfür einen aussagekräftigen Graphen. +  - Untersuchen Sie die Abhängigkeit der Lernrate von der Anzahl der Iterationen, die benötigt werden, um das Problem zu lösen.  
-  -   Beschäftigen Sie sich nun mit dem <color #ed1c24> XOR-Problem</color>. Ändern Sie den Code um auch dieses Problem zu studieren.**🕱 🕱 🕱**+          - Erstellen Sie hierfür einen aussagekräftigen Graphen. 
 +  -   Beschäftigen Sie sich nun mit dem <color #ed1c24> XOR-Problem</color>.  
 +          - Ändern Sie den Code um auch dieses Problem zu studieren.**🕱 🕱 🕱**
  
 <WRAP center round tip 90%> <WRAP center round tip 90%>
 Passen Sie gegebenenfalls die Lernrate oder die Anzahl der Iterationen an, damit das Problem erfolgreich gelernt werden kann. Passen Sie gegebenenfalls die Lernrate oder die Anzahl der Iterationen an, damit das Problem erfolgreich gelernt werden kann.
 </WRAP> </WRAP>
lernalgorithmus.1737793783.txt.gz · Zuletzt geändert: 2025/01/25 08:29 von torsten.roehl