Dnia 23.09.2008 Yyy <y...@m...o2.pl> napisał/a:

>> Zlozonosc obliczeniowa jest zawsze
>> identyczna, bez wzgledu czy siec rozwiazuje zadanie do krórego
>> wystarczylby jeden perceptron czy zadanie przewyzszajace jej mozliwosci.
> sieci neuronowe to nie tylko perceptron (siec jednokierunkowa)
>
> to takze, a wlasciwie przede wszystkim, sieci REKURENCYJNE,
> asocjacyjne, np. model Hopfielda (rozmyte rozpoznawania wzorcow), Maszyna
> Boltzmana,
> samoorganizujace sie, itd.

I co? Do takiej sieci Hopfielda nie odnosi się to co napisałem?

> takim podobne wystepuja najwiecej w przyrodzie

No nie wiem... SSN to chyba nawet nie jest namiastka tych prawdziwych.

> ale jesli juz mowa o perceptronie to w jednym z algorytmow uczenia go
> wystepuje znany mechanizm "neuron trimming" - poprawiajacy zdolnosc
> generalizacji (a wiec skutecznosci)
> przypomne, ze juz po wyuczeniu - chodzi o pozbycie sie neuronow
> odpowiedzialnych za "zbyt wierne" odwzorowanie hiperplaszczyzny
> aproksymacyjnej i to polepsza "trafnosc decycyjna" sieci

To w końcu podczas działania algorytmu uczenia czy już po wyuczeniu?
Jeśli podczas uczenia to sieć sama z siebie umie uogólniać wiedzę,
szczególnie kiedy do nauki wykorzystuje się różnorodne ciągi uczące.

Ale pozbywanie się neuronów po uczeniu? Daj jakiegoś linka albo słowo
kluczowe.
--
Relpp