Neural Networks Syllabus: Foundation Perceptron Multi-Layer Perceptron (MLP) plus tiling algorithm Hopfield model Elman Network Self-Organizing Map (SOM) Reinforcement learning (RL) Lecture notes on Neural Networks, Cheng-Yuan Liou see Class Websites: https://www.csie.ntu.edu.tw/~cyliou/red/NN/Classinfo/classinfo.html

classification, recognition, learning 註: 要加選同學請自行上網加選 助教 f07922039 陳耘志 f07922039@ntu.edu.tw

Basic Calculus 作業 一 第二部分(II), 與 project 任一題作完整 學期成績 A- 兩題都作完整 學期成績 A Skip: 作業 一第ㄧ部分(I) tiling algorithm code + ppt in https://www.csie.ntu.edu.tw/~cyliou/red/NN/Demo/demo.html paper in https://pdfs.semanticscholar.org/a8c9/c463b17a63380f3dd0d62e034d9c76411de2.pd做出 paper 內的 Table 1數據 作業 一第二部分 (II) Uni-perceptron (augmented bi-perceptron) Data set MNIST 數量{ pn , n=1 ~ 60000=N} , 多少屬性 D=28 X 28 pixels (B/W) https://scidm.nchc.org.tw/dataset/mnist 手寫字 J=10 classes {C0, C1, C2, .., Cj, … , CJ=9} 步驟一 為每一個 pattern, pn ? Cj , 找出屬於他的兩個集合 { pn1} 和 { pn 2}. { pn1} 含 784 個與pn 最近的patterns, pm ,但不屬於 pn的Class Cj, { pn1}={pm , m=1~784 | pm ? Cj }. 做一個 hyperplane (784 dimensions)通過這 784個最近的 patterns, { pn1} . hyperplane 在 pn 的那一邊設定為為正號. 步驟二 { pn 2} 含所有為正號的 patterns 且屬於Cj (與 pn在此hyperplane 同一邊). 正號的 patterns 數量為 |{ pn 2}| . 因此一共有 60000 個 { pn1} 和 60000 { pn 2}. 步驟三 找出{ pn 2}內與此hyperplane最近的一個 pattern, pu ? { pn 2} 將此hyperplane 平移到距此 pu一半的距離, 自pu作法線垂直於此 hyperplane. 步驟四 對任一class Cj 選 max{|{ pn 2}|; pn ? Cj }值為最大的集合 { pn 2}1 定出其平移後的hyperplane 為第一個得出的perceptron 的weights. 之後將集合 { pn 2} 內的patterns 從class Cj中剔除 從剩餘的集合內找出最大的集合, max{|{ pn 2}|; pn ? Cj and pn ? { pn 2}1}, { pn 2}2 定出其平移後的hyperplane 為第二個得出的perceptron 的weights. 注意 { pn 2}1∩{ pn 2}2 =.O 依此類推找出最少數量的幾個perceptron or neurons {{ pn 2}1 , { pn 2}2 ,{ pn 2}3 ,…; { pn 2}a∩{ pn 2}b =.O for a≠b} 含所有Cj 內的 patterns , 這幾個 { pn2}a 之一與其對應的 hyperplane or perceptron 會對任一Cj 內的pattern 輸出為 正號 但對其他classes 的 所有patterns輸出為 負號 . (選最大集合及消去法 類似於 Chapter 3 內 bi-perceptron 最少量幾個寬帶狀 strips ) Skip: 作業二 reinforcement learning code + 說明 在 https://www.csie.ntu.edu.tw/~cyliou/red/NN/Homework/2012/hw3.pdf https://www.csie.ntu.edu.tw/~cyliou/red/NN/Homework/2012/hw3.pdf Skip: 作業三 Chapter 5 SIR-kernel 做出 Figures 5,6,7 in Chapter 5 做出 page 20 in ppt of SIR-kernel https://www.csie.ntu.edu.tw/~cyliou/red/publications/ICONIP2008/ICONIP2008_87_ppt.pdf https://www.csie.ntu.edu.tw/~cyliou/red/NN/Homework/2012/hw2.pdf code in https://www.csie.ntu.edu.tw/~cyliou/red/NN/Classinfo/classinfo.html **** Project Chapter 6 ‘ETAM’ Eq.(7---12) Project Chapter 6 ‘ETAM’ Eq.(7---12) Code in https://www.csie.ntu.edu.tw/~cyliou/red/demo/hairy/index.html 'et-AM' ! 'C code' + 'M file' Data set MNIST 數量P=60000 , 多少屬性 N=28 X 28 pixels (B/W) Training dataset=55000 ; Testing dataset=5000. Part I https://scidm.nchc.org.tw/dataset/mnist 手寫字 Window size = 5 X 5 pixels (convolution) Total neurons = 28 X 28=784 in square grid points Total weights =784 X 5 X 5 (including 4 edges and 4 corners) + 784 thresholds Note: delete all weights outside the window for each neuron Note that wij ≠ wji and wii≠0 Part II Augument one standard digit for each handwritten digit in the dataset, see the 10 digits with 96 pixels (8X12) in Chapter 6. Total neurons for the layer = 784 + 96 Total weights = 784 X 25 + 784 (thresholds) + 784 X 96 + 96X96+ 96 (thresholds) Then apply the algorithm in ETAM’ Eq.(7---12) training the neural network. Any testing data will be associated with an unknown pattern, 96 pixels, that has assigned with 96 ‘0’ as input.. Note that wij ≠ wji and wii≠0 ** CNN hard for rotation and scale invariance. Solved by vastly enlarging the dataset with different rotations and/scales of patterns ** 4 X 2 replications of the saved dataset 圍棋 in training

5 hours

部分 in https://www.csie.ntu.edu.tw/~cyliou/red/NN/

https://www.csie.ntu.edu.tw/~cyliou/red/NN/Classinfo/classinfo.html