Skip to content

Latest commit

 

History

History
37 lines (36 loc) · 3.22 KB

README.md

File metadata and controls

37 lines (36 loc) · 3.22 KB
Raw

IS-Lab1 (EN)

Intelligent systems. Task for the laboratory for Perceptron training.

Aim

Learn to write training (parameter estimation) algorithm for simple linear classifier.

Tasks (maximum 8 points)

  1. Create a program for classification using single Perceptron of two different objects into two classes according to two estimated features. Output estimation should be done acording to the following equation: y = 1, if x1*w1 + x2*w2 + b > 0; y = -1, if x1*w1 + x2*w2 + b <= 0; here w1, w2 and b are the parameters, which should be initialized randomly and updated (estimated) later, using training algorithm; x1 and x2 are the object features, estimated using functions written in Matlab (available in Matlab code template or in Data.txt).
  2. Write a training algorithm for created classifier. Use this parameter update formula: w1(n+1) = w1(n) + eta*e(n)*x1(n); here 0 < eta < 1; e(n) = d(n) - y(n); - an error, estimated by comparing the desired output d(n) and the output, currently (for current example) received from the Perceptron. w2(n+1) = w2(n) + eta*e(n)*x2(n); b(n+1) = b(n) + eta*e(n);

Additional task (2 additional points)

Solve this classification task using Naive Bayes Classifier. Some examples and tutorials for additional task:

Suggested reading

  • Neural Networks and Learning Machines (3rd Edition), page 54, Table 1.1.

IS-Lab1 (LT)

Intelektualiosios sistemos. Pirmojo laboratorinio darbo užduotis.

Tikslas

Išmokti savarankiškai suprogramuoti paprasto tiesinio klasifikatoriaus mokymo (parametrų skaičiavimo) algoritmą.

Užduotys (maks. 8 balai)

  1. Sukurkite paprasto klasifikatoriaus (Perceptrono) išėjimui apskaičiuoti skirtą programą. Klasifikatorius turi skirstyti objektus į dvi klases, pagal du požymius. Išėjimo skaičiavimas atliekamas pagal formulę: y = 1, kai x1*w1 + x2*w2 + b > 0; y = -1, kai x1*w1 + x2*w2 + b <= 0; čia w1, w2 ir b parametrai, kurie turi būti sugeneruojami naudojant atsitiktinių skaičių generatorių (MATLAB pvz.: w1 = randn(1);) pirmąją programos veikimo iteraciją ir vėliau atnaujinami mokymo algoritmu; x1 ir x2 yra objektų požymiai, apskaičiuoti Matlab funkcijomis, esančiomis paruoštame kodo ruošinyje arba Data.txt faile (kiekvienoje eilutėje yra toks duomenų formatas: požymis1, požymis2, norimas_atsakymas), jei ketinate naudoti ne Matlab.
  2. Parašykite mokymo algoritmą sukurto klasifikatoriaus parametrams apskaičiuoti. Naudokite šią parametrų atnaujinimo formulę: w1(n+1) = w1(n) + eta*e(n)*x1(n); čia 0 < eta < 1; e(n) = d(n) - y(n); - klaida (momentinė klaida), apskaičiuota palyginus norimą atsakymą su tuo, kuris gautas klasifikatoriaus išėjime. w2(n+1) = w2(n) + eta*e(n)*x2(n); b(n+1) = b(n) + eta*e(n);

Papildoma užduotis (papildomi 2 balai)

Išspręskite šį klasifikavimo uždavinį naudodami Naive Bayes Classifier. Kelios nuorodos į paprastai pateiktus šio tipo klasifikatoriaus taikymo pavyzdžius:

Rekomenduojama literatūra

  • Neural Networks and Learning Machines (3rd Edition), 54 psl., 1.1 lentelė