diff --git a/.obsidian/workspace.json b/.obsidian/workspace.json index 9c6d14a..5cbbb3f 100644 --- a/.obsidian/workspace.json +++ b/.obsidian/workspace.json @@ -11,15 +11,10 @@ "id": "c6a180b8f1049b08", "type": "leaf", "state": { - "type": "markdown", - "state": { - "file": "00 Inbox/Идея.md", - "mode": "preview", - "source": false, - "backlinks": false - }, + "type": "empty", + "state": {}, "icon": "lucide-file", - "title": "Идея" + "title": "New tab" } } ] @@ -245,8 +240,12 @@ "obsidian-git:Open Git source control": false } }, - "active": "c6a180b8f1049b08", + "active": "27e6486165131cfa", "lastOpenFiles": [ + "99 System/Archive/Сети Хопфилда и Хэмминга.md", + "99 System/Archive/Идея.md", + "01 Ideas/Идея от 2026-05-14.md", + "90 Library/11 Machine Learning/Сети Хопфилда и Хэмминга.md", "00 Inbox/Untitled.md", "00 Inbox/Тест 2 по ЭБ.md", "00 Inbox/Идея.md", @@ -280,10 +279,6 @@ "00 Inbox/Нейронная сеть Кохонена.md", "99 System/Cache/Pasted image 20260507214813.png", "90 Library/02 DevOps/Основные команды git.md", - "90 Library/11 Machine Learning/Метрические алгоритмы.md", - "90 Library/11 Machine Learning/Обратное распространение ошибки для произвольного числа слоев НС.md", - "00 Inbox/Алгоритм обратного распространения ошибки для произвольного числа слоев НС.md", - "99 System/Archive/Алгоритм обратного распространения ошибки для произвольного числа слоев НС.md", "00 Inbox/Archive", "90 Library/03 Math/Теория нечетких множеств/Теория нечетких множеств.md.tmp.254945.1777751883191", "90 Library/02 DevOps/Ansible/Ansible - основы.md.tmp.254945.1777751876503", diff --git a/01 Ideas/Идея от 2026-05-14.md b/01 Ideas/Идея от 2026-05-14.md new file mode 100644 index 0000000..8ab223f --- /dev/null +++ b/01 Ideas/Идея от 2026-05-14.md @@ -0,0 +1,26 @@ +--- +status: seed +type: concept +tags: + - idea + - audio +created: 2026-05-14 +updated: 2026-05-14 +title: Идея от 2026-05-14 +--- + +# Идея от 2026-05-14 + +Аудиозаметка с идеей. Содержательная обработка требует расшифровки. + +![[Recording 20260514000859.m4a]] + +## Расшифровка + +_Пока нет._ + +## Следующие действия + +- Расшифровать аудио. +- Выделить главный тезис. +- Решить, оставить как идею или перенести в тематическую заметку. diff --git a/90 Library/03 Math/Статистика/Дискриминантный анализ/Дискриминантный анализ.md b/90 Library/03 Math/Статистика/Дискриминантный анализ/Дискриминантный анализ.md index 47fcccc..919005e 100644 --- a/90 Library/03 Math/Статистика/Дискриминантный анализ/Дискриминантный анализ.md +++ b/90 Library/03 Math/Статистика/Дискриминантный анализ/Дискриминантный анализ.md @@ -14,6 +14,10 @@ title: Дискриминантный Анализ %% Begin Waypoint %% - [[Дискриминантный анализ (Conflicted copy ada-pc 202602021942)]] +- [[Параметрический дискриминантный анализ в случае нормального закона распределения классов]] +- [[Построение оптимальной процедуры классификации]] +- [[Принципы дискриминантного анализа]] - [[Условие отнесения объекта к классу в случае двух признаков]] +- [[Функция потерь]] %% End Waypoint %% \ No newline at end of file diff --git a/90 Library/03 Math/Теория нечетких множеств/Теория нечетких множеств.md b/90 Library/03 Math/Теория нечетких множеств/Теория нечетких множеств.md index e9a143e..42ec043 100644 --- a/90 Library/03 Math/Теория нечетких множеств/Теория нечетких множеств.md +++ b/90 Library/03 Math/Теория нечетких множеств/Теория нечетких множеств.md @@ -13,7 +13,11 @@ title: Теория Нечетких Множеств # Теория Нечетких Множеств %% Begin Waypoint %% +- [[Доказательство законов Де Моргана]] - [[Коэффициенты функций принадлежности]] +- [[Логические операции над нечеткими множествами]] +- [[Определение нечеткого множества]] +- [[Функция принадлежности]] %% End Waypoint %% diff --git a/90 Library/04 Networking/Router-on-a-Stick/Router-on-a-Stick.md b/90 Library/04 Networking/Router-on-a-Stick/Router-on-a-Stick.md index 429dc2e..db41bf2 100644 --- a/90 Library/04 Networking/Router-on-a-Stick/Router-on-a-Stick.md +++ b/90 Library/04 Networking/Router-on-a-Stick/Router-on-a-Stick.md @@ -13,7 +13,8 @@ title: Router-on-a-Stick # Router-on-a-Stick %% Begin Waypoint %% - +- [[Настройка коммутатора Cisco (Router-on-a-Stick)]] +- [[RoaS - Base]] %% End Waypoint %% diff --git a/90 Library/11 Machine Learning/Нейронные сети.md b/90 Library/11 Machine Learning/Нейронные сети.md index e34814b..73b7197 100644 --- a/90 Library/11 Machine Learning/Нейронные сети.md +++ b/90 Library/11 Machine Learning/Нейронные сети.md @@ -165,6 +165,8 @@ $$ Преимущество нейронных сетей - обучаемость. Веса сети можно представить как набор матриц. Суть обучения сводится к настройке этих весов так, чтобы для входного объекта $X$ сеть выдавала выход $Y$, близкий к правильному ответу $D$. +Отдельный класс составляют сети ассоциативной памяти, например [[Сети Хопфилда и Хэмминга]]. В них веса могут задаваться один раз по эталонным образам, а дальнейшая работа сводится к восстановлению или выбору ближайшего сохранённого образа. + ## Обучение с учителем Процесс обучения с учителем: @@ -201,4 +203,5 @@ $$ - [[Обратное распространение ошибки]] - [[Backpropagation для многослойной нейронной сети]] +- [[Сети Хопфилда и Хэмминга]] - [[Линейные модели]] diff --git a/90 Library/11 Machine Learning/Сети Хопфилда и Хэмминга.md b/90 Library/11 Machine Learning/Сети Хопфилда и Хэмминга.md new file mode 100644 index 0000000..12c91cc --- /dev/null +++ b/90 Library/11 Machine Learning/Сети Хопфилда и Хэмминга.md @@ -0,0 +1,90 @@ +--- +status: seed +type: concept +tags: + - machine-learning + - neural-networks + - associative-memory +created: 2025-12-17 +updated: 2026-05-14 +title: Сети Хопфилда и Хэмминга +--- + +# Сети Хопфилда и Хэмминга + +**Сети Хопфилда и Хэмминга** - классические [[Нейронные сети|нейронные сети]], ориентированные на ассоциативную память и распознавание эталонных образов. + +Их особенность в том, что весовые коэффициенты рассчитываются один раз перед началом функционирования сети. После задания весов они обычно не корректируются: сеть не обучается итеративно в привычном смысле, а хранит набор эталонов и сопоставляет с ними входной образ. + +## Задача + +Пусть известен набор эталонных образов: изображений, звуков, бинарных векторов или других сигналов. Сеть должна по входному, возможно искажённому, сигналу: + +- восстановить соответствующий эталонный образ; +- или указать номер наиболее близкого эталона; +- или показать, что подходящего эталона нет. + +По смыслу такие сети удобны для задач ассоциативной памяти: входной образ работает как ключ, по которому сеть "вспоминает" ближайший сохранённый образ. + +![[Pasted image 20260508103342.png|500]] + +## Сеть Хопфилда + +Сеть Хопфилда - однослойная рекуррентная сеть с обратными связями. + +Основные свойства: + +- каждый нейрон связан с другими нейронами; +- выходы нейронов возвращаются на входы сети; +- связь нейрона с самим собой обычно исключается; +- состояние сети постепенно сходится к одному из устойчивых состояний. + +Инициализация сети задаёт начальные выходы нейронов. При функционировании сеть изменяет состояние до тех пор, пока не придёт к устойчивому образу. Если входной сигнал близок к одному из сохранённых эталонов, сеть восстанавливает этот эталон. + +В результате сеть Хопфилда выдаёт не просто номер класса, а сам восстановленный образ. + +## Сеть Хэмминга + +Сеть Хэмминга применяют, когда не нужно восстанавливать полный образ, а достаточно определить номер ближайшего эталона. + +Идея сети - сравнить входной образ со всеми сохранёнными эталонами и выбрать тот, который находится ближе всего. Для бинарных образов это связано с [[Расстояние между объектами|расстоянием Хэмминга]]: количеством несовпадающих компонентов между двумя векторами. + +## Архитектура сети Хэмминга + +Сеть Хэмминга обычно состоит из двух слоёв: + +- **первый слой** вычисляет близость входного вектора к каждому эталону; +- **второй слой** реализует конкуренцию между эталонами. + +Количество нейронов во втором слое равно количеству эталонных образов. Победить должен один нейрон - тот, который соответствует ближайшему эталону. + +![[Pasted image 20260508103431.png|420]] + +Нейроны второго слоя связаны обратными ингибиторными связями: + +- обратная связь нейрона с самим собой имеет вес $1$; +- связи с остальными нейронами имеют вес $-\varepsilon$. + +Параметр $\varepsilon$ - небольшое положительное число: + +$$ +0 < \varepsilon < \frac{1}{m} +$$ + +где $m$ - число эталонных образов. + +Ингибиторные связи подавляют менее подходящие варианты. После нескольких итераций активным остаётся нейрон, соответствующий ближайшему эталону. + +## Отличие Хопфилда и Хэмминга + +| Сеть | Что выдаёт | Когда удобна | +|---|---|---| +| Хопфилда | восстановленный образ | когда нужно получить полный эталон | +| Хэмминга | номер ближайшего эталона | когда достаточно классифицировать вход | + +Обе сети относятся к моделям ассоциативной памяти, но решают задачу на разном уровне: сеть Хопфилда восстанавливает состояние, а сеть Хэмминга выбирает ближайший сохранённый образ. + +## Связанные заметки + +- [[Нейронные сети]] +- [[Расстояние между объектами]] diff --git a/00 Inbox/Идея.md b/99 System/Archive/Идея.md similarity index 100% rename from 00 Inbox/Идея.md rename to 99 System/Archive/Идея.md diff --git a/00 Inbox/Сети Хопфилда и Хэмминга.md b/99 System/Archive/Сети Хопфилда и Хэмминга.md similarity index 100% rename from 00 Inbox/Сети Хопфилда и Хэмминга.md rename to 99 System/Archive/Сети Хопфилда и Хэмминга.md