Extreme Learning Machine
Felipe Lima Simões
FATEC Baixada Santista – Rubens Lara
Contexto atual e surgimento do ELM
Redes neurais e SVM têm despontado como as
principais técnicas utilizadas no campo de
a...
O que é ELM
Um algoritmo de aprendizagem baseado em
redes neurais com rápido mecanismo de
treinamento e que não requer sin...
Como ele se distingue
• Única camada oculta de neurônios
• Independe da base de dados para gerar pesos
da camada de entrad...
Método de aplicação
1. Atribua parâmetros aleatórios aos neurônios
da camada oculta (pesos de entrada)
2. Calcule a saída ...
Disponível para contato:
felipe_lima_simoes@hotmail.com
http://br.linkedin.com/in/felipelsimoes
Obrigado
Extreme learning machine
Próximos SlideShares
Carregando em…5
×

Extreme learning machine

109 visualizações

Publicada em

Apresentação sobre ELM enquanto participando do Laboratório de Aprendizagem de Máquina

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
109
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Extreme learning machine

  1. 1. Extreme Learning Machine Felipe Lima Simões FATEC Baixada Santista – Rubens Lara
  2. 2. Contexto atual e surgimento do ELM Redes neurais e SVM têm despontado como as principais técnicas utilizadas no campo de aprendizagem de máquina. Porém, ambas são técnicas que exigem muito do desempenho computacional, bem como de sintonia fina dos parâmetros.
  3. 3. O que é ELM Um algoritmo de aprendizagem baseado em redes neurais com rápido mecanismo de treinamento e que não requer sintonia dos pesos.
  4. 4. Como ele se distingue • Única camada oculta de neurônios • Independe da base de dados para gerar pesos da camada de entrada e parâmetros (biases) da camada oculta • Cálculo dos pesos de saída são estimados através de generalização de matriz inversa (Moore-Penrose)
  5. 5. Método de aplicação 1. Atribua parâmetros aleatórios aos neurônios da camada oculta (pesos de entrada) 2. Calcule a saída da camada oculta. H = [ h(x1), h(x2)..., h(xN)] 3. Calcule os pesos de saída β
  6. 6. Disponível para contato: felipe_lima_simoes@hotmail.com http://br.linkedin.com/in/felipelsimoes Obrigado

×