Asylum :
Ezzel tisztában vagyok,de nem csak hogy eltérõ számú neuronnál, hanem azonos számú neuronnál is eltérõ értéket kapok,ez valószínûleg abból következik hogy a súlyozás is random értékkel történik.
Matzi :
Attól én még nagyon távol állok hogy genetikusan kreáljak újabb neuronokat.
Nem kell bonyolult dologra gondolni, csak egy egyszerû számítási feladat.
Kép1
5 neuron egy kis gyakorlással együtt fél másodperc alatt kiszámolja 1% alatti eltéréssel.
Kép2
100 neuron gyakorlással majdnem 8 másodperc alatt, és nem sokkal pontosabb.
Kép3
Itt van amit korábban írtam,bár az elsõ három értéket vehetjük jónak is, mert nullához konvergál,de akkor is hibás maga a számítás mert a 100 neuron-hoz képest ekkora ugrás a pontosságban nem valószínû.Az utolsó érték meg teljesen rossz.Ebbõl gondoltam hogy lehet egy
felsõ határa a neuronoknak.Bár lehet hogy csak az én programomban van a hiba,de több neurális hálóval dolgozó programot is kipróbáltam, és egyiknél sem volt 50 neuronnál több.

A neuronok számának novekedése javítja a pontosságot. Viszont cserébe jelentosen rontja a sebességét mind a számításnak, a visszacsatolásnak, illetve a helyes megoldáshoz való kozeledésnek. Szóval egyelore amíg nincsenek végtelenul gyors gépeink illetve konkrét bevalt mintáink jobb a feladathoz, addig jobb ha a problémához méretezetten a legkisebb készlettel dolgozol.

Esetleg kipróbálhatod, hogy genetikusan kreálsz újabb neuronokat, és vizsgálod, hogy bevalnak e.

Azt gondolom tudod, hogy a neuronháló egy függvényapproximátor: néhány alapfüggvény súlyozott összegével közelít egy ismeretlen függvényt. Ha rosszul formalizáltad a problémát, akkor eltérõ számú neuronra más eredményt fog adni.

Mostanában érdekelni kezdett a neurális háló és a genetikus algoritmus mûködése.Nem állítom hogy teljes egészében értem de részben felfogom a mûködését. Igazából az érdekelne, hogy van e egy maximum értéke a neuronok számának, vagy ez a számítógép számítási képességétõl függ?
Az én tapasztalataim szerint az 500 neuronhoz közelítve egyre nagyobb százalékban jön ki teljesen hibás végeredmény, ráadásul jelentõs idõbe is kerül,viszont 1-5 neuron között talán a leghatékonyabb idõ és pontosság viszonyában.Valakinek van tapasztalata hasonló témában?

a mesterséges neuronháló nem egészen a valódi neuronhálókat utánozza, egyszerüen csak egy függvényapproximátor.
Például nem ismered a konkrét függvényt, csak azt tudod, hogy milyen értékekre mit vesz fel, ilyenkor egy neuronhálóval "kikevered" magadnak ilyen alap függvényekböl.

Tanuló kód: épp most szívok megerõsítéses tanulással (reinforcement learning), ez tényleg egy tanuló MI, már csak meg kéne értenem a müködését.

Az mi-vel az a gond, hogy mindenki leírni akarja a problémát és arra megoldásokat vagy megoldás részleteket és azt várja, hogy a gép össze rakja. Nah most az a gond ezzel, hogy mindenki leragad ott, hogy egybõl "okos" kódot akar létrehozni, ami már meglévõ tudásból hoz létre új következtetést. Ez szép dolog ám a probléma a gondolkodással van és a tanulási kézséggel. Ha csak elõre leírt megoldáskészletekkel rendelkezel akadhat olyan probléma melynél egyik kombináció sem megfelelõ a megoldáshoz.

Tehát feltételezhetjük inkább abba az irányba kellene elmenni, hogy hogyan tudnánk írni egy kódot mely tanul. Ez elég bonyolult, hiszen meg kell értenie a cselekvést, fel kell mérnie, hogy mi a probléma és mi a problémára a megoldás. Ezt pedig el kellene raktározni az "agyába", mely azt jelentené, hogy a kód írja a kódot?? wow... merész. Tehát magának kódolja le az információt.
Akárcsak az ember. Kisgyerek korban már elkezdõdik ez. A világról gyûjtött információt lekódolja az agy és eltárolja, késõbb persze megtanulja mi a fontos információ és mi az elhanyagolható. Például egy autó haladásának tanulmányozásakor elhanyagolható információ az autó színe, típusa és a sofõr is. Persze ez is már egy eléggé komplex tanulmányozás. Én egy ilyen gépet úgy tudok elképzelni mint egy kisgyereket, még szinte semmit nem tud a világról és elkezdi azt "felfedezni". Pár év alatt elérhet egy elég magas szintet, hiszen gép, nem fárad el és egyfolytában tud információt gyûjteni. A gond csupán csak az információ tárolásával van. Mi alapján határozzuk meg, hogy mi alapján szelektálja az információt. Ezt is a kódnak kellene "megtanulnia" és így fejlesztenie saját magát.

Egy példában. Van ugye egy csavar és egy csavarhúzó. A gép figyeli, hogy mit csinálunk. Belehelyezzük a csavarhúzót a csavar mélyedésébe és kitekerjük.
1, ebbõl azt le kellene szûrnie, hogy a probléma (a feladat), hogy kicsavarjuk a csavart
2, el kell tudnia vonatkoztatni a csavarhúzótól, nem azt kell megérteni, vagy megjegyeznie, hogy csavart csavarhúzóval lehet kitekerni, hanem azt, hogy ehhez bármilyen ezköz megfelel, ami belefér a csavarfej mélyedésébe.
3, így mintát kéne vennie a környezetében lévõ eszközökrõl valamilyen feltétel alapján (elég keskeny legyen de masszív is az eszköz). Így eljuthad oda, hogy egy pénzérme is megfelelõ csavarhúzónak, ha nincs az eszközök között csavarhúzó.

Ez így egyszerûnek tûnik, de eléggé bonyolult. Ez saját fejtegetés, gondolom már más is gondolt ilyenre, esetleg jutott is többre a fejtegetésnél...

Én MI-t valszeg nem "természetes" modelleket próbálnék leutánozni (neurális hálózatokkal ) ha nem inkább elõre leírt helyzetfelmérés - javasolt megoldás párok halmazát hoznám létre és egy intelligensebb algoritmust , ami (vhogy) képes eldönteni mikor melyiket érdemes használni.
Az hogy mikor mit és hogyan kell használni azt befolyásolhatja egy beprogramozott viselkedésmód/személyiség pl autóversenyzõnél, az AI nem tûri meg ha vki megelõzi és inkább lelöki az útról, vagy lövöldözõs játéknál inkább bujkálós, fedezékek mögé elbújó, hátbatámadós személyiség...

Ha nem akarunk egy überbonyolultat csinálni, akkor sztem bõven elég egy állapotgép (gráf, aminek csomópontjai egy állapotot jelentenek és a csomópontból kiinduló irányított élek pedig lehetséges jövõbeli állapotokhoz vezetnek stb... ) amit értelmes algoritmus tud vezérelni. A gond sztem mindig ott jelentkezik, hogy ezt a gráfot megalkotni nehéz, pláne ha párhuzamosan akár több cselekvéssorozatot is figyelemmel kell kísérni (pl A -> B be mozogni, közben lõni egy ellenfelet és ha további ellenfelet fedezünk fel, értékelni kell hogy mit hogyan tovább (lövünk tovább, másik ellent támadjuk, visszavonulás? vagy ezek kombinációja?)) így majdnem eljuthatunk talán több párhuzamos állapotgéphez.

Én azt szeretem az állapotgépekben, hogy determinisztikus, jobban megtervezhetõ, irányítható és talán jobban debuggolható mûködése mint egy neurális hálózaté.

Szerintem úgy lehetne egy autóversenyt érdekesebbé tenni, hogy a gép megpróbálja lelökni a játékost az útról. XD

http://people.inf.elte.hu/gt/mi/mi1.html

ezek az elte-s mi1 kurzus fóliái, van szó neuronhálókról is, modnjuk nem olyan részletesen de az alapokat leirja.

neurális hálózatokkal kapcsolatban érdekelne egy-két példaprogram, magyarázat, ami az elejétõl a végéig leírja mi, hogy mûködik...
háló szimuláló progit is keresgélek, de a használatuk eléggé kusza így elsõre

ha valakinek van infoja ezekkel kapcsolatban, az legyen szíves megosztani velem

ez jo doksi,kivancsi vagyok le tudom-e kodolni vmi codesnippeteknek jobban orulnek,de beerem ezzel is,thx

Számításelméletbõl tanultunk egy kis idevágó algoritmust, gráfban legrövidebb út kombinálva autóverseny játékkal címszó alatt. Nem írom le az egészet, inkább belinkelem a jegyzetet: http://ptilap.extra.hu/1/Lovasz-Algoritmusok.pdf
Itt az "1.3.2 A legrövidebb út" címû fejezetet tessék megnézni (pdf-ben 8-9-es oldal), az autóverseny játékhoz leírt megoldás alapelveit szerintem simán lehet alkalmazni autós játék AI-jához is. Így nem kellenek waypointok és egyebek (csak a pályát kell felosztani négyzetrácsosan), az AI magának meg tudja határozni a következõ célpontját, onnan meg már mivel ismeri az autója képességeit, aktuális sebességét és egyéb adatait, tud alkotni egy görbét amin vezetve a lehetõ legjobban jön ki a helyzetbõl. Ha kicsit emberibbé akarjuk tenni akkor bevezetünk egy kis randomot is az autó aktuális adatainak lekérdezésébe, mondjuk a sebességet mikor lekérdezi az AI akkor csak egy max +/-5%-os eltéréssel rendelkezõ értéket kap a pontos helyett (lényegében az embereknél is ez egy hibaforrás, el szokták mérni a tempót utána meg korrigálnak).

MI-böl volt szó errõl az autós dologról, sõt beadandó feladatként is lehetett választani (én sajnos már nem fértem fel rá ugyh visszalépéses keresést kelltt csinálnom...bah).

Többféle megoldás volt; az egyiket még elözö félévebn mutatta be a tanár, az lényegében 3D-s volt. Az út abból állt, hogy mindkét oldalán le voltak rakva cövekek, valahogy igy



az mi mindig ezt a 6 cöveket figyelte, és ez alapján döntötte el hogy most merre kell kanyarodni. A dolog úgy indult, hogy elöször is "megtanitottuk az MI-nek a pályát, vagyis végigvezettünk mi a pályán, ö meg lerakott magának bizonyos pontokat amiket megjegyzett (és beállitotta a neuronhálo sulyait). Ezután leraktuk öt egy másik pályára és azon is végig tudott vezetni szal elég okos volt.

Más megoldás: genetikus algoritmusok; egyszerre elinditunk sokat és mindig kiválasztjuk a legjobbakat (pl. amelyik legmesszebb jutott); ök lesznek a következö kör szülö egyedei stb.; mutálódás; ha elég sokszor lefuttatjuk akkor a végére kijön egy okos amit el lehet menteni.
A látást ugy oldaották meg, hogy (2D-s volt) volt minden autonak egy látótere pl. egy háromszög és azon belül figyelte az ut változását.

waypointos utkeresés: nem tudom pontosan mire gondolsz, de próbáld reprezentálni egy gráffal: pl. gps: az utcák az élek (megfelelö súlyokkal), a keresztezödések pedig a csúcsok.
Innentöl egy csomó gráfkeresö algoritmust tudsz alkalmazni, A, A*, Ac, AB, B stb. Én az A* -ot vagy a B-t javaslom.

Idézet

---

TheProGamer :
És ha a WP-t nem point hanem plane ami merõleges az útra? Ha a plane-t keresztezi akkor a WP kipipálva. Viszont ezen a plane-en létezik a WP mint point, az az ideális pont ahol metszeni kellene a plane-t és amire az AI törekszik.

---

pont vmi ilyesmin gondolkodom,nem tudtok vhol codesnippeteket ehhez?

Nem tudtok véletlen valami tutorialt egy egyszerü waypointos útkeresés implementálásához 3d-ben? Amit találtam az vagy túl komplikált (navmeshek, genetikus algoritmusok, mittoménmi), vagy nem igazán ír semmi konkrétumot.

köszi az ötleteket, lesz min gondolkodni hazafele majd a buszon

igen, ez így ok. és meg is oldja a párhuzamosság gondját, több autó esetén a plainen lévõ saját WP-n autózhatnak

Csak arra is figyelni kell, h ha visszakerül egy autó egy WP-n, amin már áthaladt, akkor az is regisztrlálásra kerüljön.

Idézet

---

FZoli :
hát ha az AI a lista telejsítésére törekszik és õ maga kihagy párat, akkor visszamegy értük pótólni? (kuzanth elv)

---

És ha a WP-t nem point hanem plane ami merõleges az útra? Ha a plane-t keresztezi akkor a WP kipipálva. Viszont ezen a plane-en létezik a WP mint point, az az ideális pont ahol metszeni kellene a plane-t és amire az AI törekszik.

hát ha az AI a lista telejsítésére törekszik és õ maga kihagy párat, akkor visszamegy értük pótólni? (kuzanth elv)

Idézet

---

FZoli :
És ha valamilyen oknál fogva (pl leszorítják, túl nagyot ütközik és elrepül, stb) kihagy néhány wp-t?



Valami alapján úgyis tudnia kell, melyik wp jön, erre legegyszerûbb ha a wp-knek van egy értékük, ami anánl nagyobb minél nagyobb autózásra vannak a céltól. Az Ai pedig minden idõpillanatban ahhoz a wp-hez menne, aminek a céltól vlaó autózás hossza + az AI wptõl való autózása..

(ehehz persze azt is kell tudni, éppen hol rtartunk a áplyánál, anélkül is tudni kell túl mentünk e egy waypointon, h konkrétan rajta haladtunk volna át)

---

És ha a WP-k egészen egyszerûen egy listán vannak sorban és az AI csak arra törekszik hogy hogy minél gyorsabban teljesítse a listát? Ilyenkor nem lenne válogatás a WP-k közt, a WP-k kiadnák az ideális íveket amin az AI szeretne haladni. Az ember is mindig az ideális íven való haladásra törekszik, ha valahol elcseszi azon munkálkodik hogy minél elõbb visszakerüljön erre az ívre és elérje az adott szakaszon a határsebességet aminél még õ vezeti a jármûvet.

És ha valamilyen oknál fogva (pl leszorítják, túl nagyot ütközik és elrepül, stb) kihagy néhány wp-t?



Valami alapján úgyis tudnia kell, melyik wp jön, erre legegyszerûbb ha a wp-knek van egy értékük, ami anánl nagyobb minél nagyobb autózásra vannak a céltól. Az Ai pedig minden idõpillanatban ahhoz a wp-hez menne, aminek a céltól vlaó autózás hossza + az AI wptõl való autózása..

(ehehz persze azt is kell tudni, éppen hol rtartunk a áplyánál, anélkül is tudni kell túl mentünk e egy waypointon, h konkrétan rajta haladtunk volna át)

És ha valamilyen oknál fogva (pl leszorítják, túl nagyot ütközik és elrepül, stb) kihagy néhány wp-t? Vagy csak vmiért slégan levágja a pálya egy részét kihagyván jónéhány wp-t? Persze én nem értek az AI-hoz, csak gondoltam szólok...

hát autós játéknál én sima sliding collisiont vetnék be, és mondjuk az AI-nak csinálnék waypointokból útvonalat a pályán. mondjuk párhuzamosan az útra tennék le több sorban lehetséges waypointokat. Az Ai szépen wP-rõl WP-re haaldva autózik, elsõként mindig a következõ WP-k közül az optimálisan választja ki (amit mondjuk te hatrozol meg elõre), ha oda már épp abban a pillanatban megy AI, de még nem ért oda, akkor választunk egy másik waypointot a lehetséges következõk közül. Ha elfogytak, akkor nincs mese, koccanás lesz Ez mellé még bele kell kalkulálni, hogy mekkora szögben kell elfordulnia az AI-nak a WP-re nézéshez. pl, 200kmph mellett ne vegyen be õse egy derékszögû kanyart igazán nem gond kiszámolni mekkora sebességgel kell megérkezzen az adott WP-hez hogy a következõt bevehesse. Persze ezt jól megbolondítva random módosítgatásokkal, és a fizikai engine-nek való parancsküldésekkel az AI részérõl (pl. kormány jobbra, lassítok). Így az AI is hibázhat.

rambo: én úgy csinálnám meg, hogy

ugye a pályán mozgó autókat két részre lehet oszatni: a játékos és a többiek.
namost én úgy csinálnám, hogy az AI egy fájlból olvas be. mondjuk lesz benne a fájlban egy x és z változó. ez lesz nekünk egy waypointunk. akkor az objectet a waypoint felé fordítod, és mehet. lehetséges úgy megcsinálni, hogy a waypoint+valami random érték, mert így nem mindig ugyanazon a pályaíven megy. meg mondjuk még kellene tudni, hogy melyik waypointok között lassul/gyorsul. ezt is érdemes lenne a fájlba írni. aztán az ütközést meg lehet úgy oldani, hogy minden kocsit 4 waypoint vesz körül. (copyright by FZoli). ha ütközik két autó, akkor megnézed, hogy melyik waypoint az optimális (a kocsi jelenlegi pozíciójához is közel legyen meg a soron következõ pálya-waypointhoz is)

persze ez még erõsen vázlat, kell még agyalni a gyakorlati megvalósításon

Én úgy tudom <de ez csak feltételezés> h az ilyen játékokban úgy megy a dolog h az ellenfelek végigmennek a pályán jó sokszor, és összehasonlítják a menetidõket. A legjobb idõhöz tartozó mozgáspályát lementik.
Ezuán játék allatt az ellenfelek mindíg igyekeznek ehhez a pályához "ragaszkodni".
Asszem így van, de nem biztos.

Sziasztok

Egy egyszerû autós játékot készítgetek, és az lenne a kérdésem, hogy milyne ötletetek lenne a gépi ellenfél megvalósítására? Elég sokat gondolkodtam a dolgon, de sok használható ötletem nem nagyon van... Amúgy is rég volt bejegyzés ebbe a topikba

Akkor a súlyozás hol van? Ha jól tudom, a küszöbérték az inputok*súlyaik összegét jelképezi, mint minimum számot az aktivációs függvényhez. A több output-nál arra gondoltam, hogy mivel a neuronok az összes következõ rétegben található neuronnal össze vannak kapcsolva, így arra gondoltam, hogy mindegyiknek ugyanazt küldi-e, vagy valami specifikus súlyozással, de most látom h nem.

Idézet

---

robar :
Néhány elméleti kérdés:
-egy neuron outputjainak súlyozása állandó, vagy az inputok alapján számolja ki?

---

Egy neuronnak csak egy outputja van, az nincs súlyozva. A kimenete csak a bemeneti értékektõl és az akivációs fv-tõl függ.

Idézet

---

robar :
-ha állandó, akkor minden outputjának ugyanaz a súlyozása vagy lehet mindegyiknek más-más, neurontól függõ?

---

Lásd elõzõ pont.

Idézet

---

robar :
-ti hogy oldjátok meg a neuronokat a gyakorlatban? Csináltok egy neuron osztályt gondolom. A kommunikáció hogy történik? Van mindegyiknek egy küldõ és egy fogadó metódusa, maga az adatátvitel annyi hogy a küldõ neuron a küldés metódusával meghívja a súlyozás és az output adat paraméterrel a hozzá kapcsolt neuronok fogadó metódusát?

---

Lehet osztályba is foglalni, de általában nincs erre szükség, egy neuron azért nem olyan bonyolult dolog. A gyakorlatban inkább egy mátrixban tárolják a kapcsolati súlyokat. Ez így jó, mert sima mátrixszorzással megvalósítható a feedforward mûködés, és mátrixinvertálással kiszámolható a rekonstrukciós hiba.

Néhány elméleti kérdés:
-egy neuron outputjainak súlyozása állandó, vagy az inputok alapján számolja ki?
-ha állandó, akkor minden outputjának ugyanaz a súlyozása vagy lehet mindegyiknek más-más, neurontól függõ?
-ti hogy oldjátok meg a neuronokat a gyakorlatban? Csináltok egy neuron osztályt gondolom. A kommunikáció hogy történik? Van mindegyiknek egy küldõ és egy fogadó metódusa, maga az adatátvitel annyi hogy a küldõ neuron a küldés metódusával meghívja a súlyozás és az output adat paraméterrel a hozzá kapcsolt neuronok fogadó metódusát?

Én is a C++ -t honorálom jobban.
Annó még én is delphi-ztem. Elõször sok gond volt, de idõvel rááll az ember agya. Csak legyen elég kitartása hozzá.

Én akkoris C++ párti vagyok

ezzel én nem egészen értek egyet... Neked ez a tapasztalatod
Én Delphirõl (version 5) váltottam c#-ra és meg kell, hogy mondjam gond nélkül
ugyanis LOGIKUS és ÁTLÁTHATÓ....
és sok a közös a delphivel szerintem

Idézet

---

kicsy :
Azért C# és C++ között kicsit több különbség van mint a GC és a szintaktika..

---

Mondtam én, hogy nincs? Azt mondtam ez az ami elõször a szintaktika után elõ jön...
Igen a C# teljesen OOP-re épít, emellett senki nem tiltja meg neki, hogy C++-ben is OOP-zen, ellenben GC-t neki kell írnia... Innen az összefüggés.

Egy C++ könyvnek meg pont az a lényege, hogy az ember ne menjen falba ha C++ kódot lát, mert elmagyarázza mit hogyan értelmezzen... Nem véletlen az összefüggés.

A DOS parancssoros böngészõ, a Windows grafikus, ami azért elég nagy különbség...

Ellenben a c# és a c++ rokon nyelvek, akármennyire, akármilyen szinten, de ez így van, szóval egyikbõl a másikba könnyebb az átjárás, mintha most pl egy nem c alapú vagy szintaktikájú nyelvre nézne rá...

Idézet

---

kicsy :
..de nem is ez a lényeg, hanem hogy fényévekkel kellemesebb benne kódolni.

---

Nem mindig a könnyebb út a jobb...

Néhány elméleti kérdés:
-egy neuron outputjainak súlyozása állandó, vagy az inputok alapján számolja ki?
-ha állandó, akkor minden outputjának ugyanaz a súlyozása vagy lehet mindegyiknek más-más, neurontól függõ?
-ti hogy oldjátok meg a neuronokat a gyakorlatban? Csináltok egy neuron osztályt gondolom. A kommunikáció hogy történik? Van mindegyiknek egy küldõ és egy fogadó metódusa, maga az adatátvitel annyi hogy a küldõ neuron a küldés metódusával meghívja a súlyozás és az output adat paraméterrel a hozzá kapcsolt neuronok fogadó metódusát?

Valahol hallottam egy megtörtént esetet(lehet pont itt):

-milyen oprendszered van?
-winDOS

bocs az offért

Azért C# és C++ között kicsit több különbség van mint a GC és a szintaktika..
C# teljes egészében objektumorientált, mindent .NET-es osztályból származtat, de nem is ez a lényeg, hanem hogy fényévekkel kellemesebb benne kódolni. Ha C# után belenéz egy C++ könyvbe, akkor pont hogy falnak fog menni tõle..
Szóval a kijelentés kb úgy nézett ki, hogy ha jól elboldogulsz Windowsban, akkor vedd elõ a DOS-t, nem véletlenül van mindkettõben O betû

Aha... Akkor majd ha megértettem az elméletet, majd nekiesek a nyelveknek. C# igaziból az xna miatt érdekel, komolyabban nem foglalkoztam vele, de gondolom nem tér el túl sokban a VB.net -tõl. (legalábbis osztályok ugyanazok, nagyjából alapesetben is érted mirõl van szó, ezért jók a .net- es nyelvek)

ps: a GCnél a garbage collection-re gondoltál?

Hát, ha a C# nem idegen, akkor fuss át egy C++-os könyvön és nem fogsz falnak menni a különbségektõl... Nem hiába kezdõdik ugyanolyan betûvel a kettõ.
A szintaktikai dolgokon felülemelkedve talán ami elõször fel fog tûnni, hogy nincs elõre megírt GC.

Kár hogy nem ismerem a c++-t... VB.net, C#.net úgy ahogy megy és ki tudom bogozni a Javát és a J#.net -et, de c++-ból egy szót sem értek... Nem baj, majd átfutom...

Alapjában véve C nyelven van írva, így nincsenek osztályok. Valószínüleg ezért készült a C++ átirat is ami már osztályokkal operál.
Érdemes átfutni a forráskódján.

g_imi: és az a framework hogyan szimulálja a neuronokat? Osztályokkal vagy hogyan?
Egyébként milyen nyelvekre van átírva? Ha más nem a gondolatmenete/megvalósítása érdekel.

az én "neurális hálóm" már kinõtte magát és biologiai háló lett belõle fotoszintetizálni még nem tud, de ha lesz idõm betanítom arra is
ergo az neuronjaim már differenciáltak sõt nem csak neuronokat tartalmaznak

Én az nnf (neural network framework) c++-os átiratát az nnfpp-t használom. Ezt találtam a legjobbnak és a legegyszerûbbnek.

nnf: http://nnf.sourceforge.net/
nnfpp: http://nnfpp.sourceforge.net/

Tudtam higy vhonnan innen de visszatekertem egy hétnyi hsz-t és nem találtam... Nem baj, akkor is vkinek megvan és tenyésztett már csapatot? Én beleszerettem és szívesen lenyomnék egykét csatát!

Más téma: prog szempontból ti hogyan oldjátok meg a neuronhálót? Csináltok egy neuron-objektumot? Maga a háló egy függvény? Kíváncsi vok, nem szeretném feltalálni a spanyolviaszt

Robar:
Az errõl szóló indexes cikket belinkeltem még az lején.

Ha valaki úgyszintén tenyészt 1-2 csapatot, összejöhetnénk néhány csatára!

Hmm. Tíz perccel a megtalálása után már elfelejtettem hogy jutottam oda (info-túladagolás)
de találtam egy rohadt jó példát a neuronhálózat - comp. játék-ra! Info itt:
http://z.cs.utexas.edu/users/nn/nero
(a játék is tök ingyen és az nn-tanuláson alapul.)

Robar:
Egy programnak nem okoz gondot egyetlen dologról több, egymást nem kizáró, és egészértékû tulajdonságot nyilvántartani. Ilyesmi probléma embernél is elõfordulhat amit írsz, megkérdezed valakitõl, hogy milyen állat a bálna, és olyanokat fogsz kapni, hogy vizi, nagy, emlés, békés, stb. Szóval szerintem ez nem jó példa arra, amit mondani akarsz. Az absztrakció valóban elég problémás dologtud lenni, többekközött ezért sem lehet "kiengedni" a jelenlegi intelligenciákat a saját környezetükbõl, pl a robotkutya besokall a nyílt tértõl és képtelen jól mûködni.

Neurális hálók bevezetés:
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html
http://www.statsoft.com/textbook/stneunet.html

Ez az elsõ kettõ amit találtam, és jónak is néz ki, szerinte dunát lehet az ilyesmivel rekeszteni, csak keresni kell, meg tudni angolul.

Van magyarul is:
http://webspn.hit.bme.hu/~bardosy/nn.html
http://www.hik.hu/tankonyvtar/site/books/b120/sec-7.8.html
http://www.manuf.bme.hu/gdf/Fejezet6.pdf

Idézet

---

robar :
Ja, NN-rõl nem wikipédiás jó bevezetõcikkeket még mindig szívesen vennék

---

Ebookz-on van nem is egy MI-vel foglalkozó könyv, amiben sokminden benne van. (neurális hálók, fuzzy stb.). Én is neki fogok állni, csak jelenleg nincs túl sok idõm.

Idézet

---

Jedi :

De igazából akkor sincs komolyabb baj, ha lennének átfedések ezek között a fogalmak között, vagy némelyik csak részben lenne definiálva. Ilyen bizonytalanság-kezelésre nagyon sok jó módszer létezik (pl Bayes-hálók, Fuzzy-hálók). Pl. a fuzzy logika (ahogy Matzi is kifejtette egy példán) annyiban különbözik a klasszikus logikától (ahol csak igaz és hamis állítások vannak), hogy egy állítás igazságtartalmát egy 0 - 1 közé esõ szám jelképezi. Például mondhatjuk, hogy a "Béla magas" állítás igazságtartalma 0.7. Ilyen módon nem kell egyértelmû fogalmi kategóriákat sem felépíteni.

---

Itt most nem arra gondoltam, hogy a bálna inkább hal vagy inkább emlõs, hanem hogy a hivatkozásokat hogyan rangsoroljuk. (lásd elõzõ hszm-et)