PRACOWNIA Z SIECI NEURONOWYCH  -  LISTA NR 1. Zadania 1-7 (6.X.2010)

1. Zapoznaj się z instrukcjami Matlaba (plik mini-mini-matl-aba.htm):
   a) operacje na tablicach, w szczegolnosci: .*, ./, ,^
   b) wybieranie podmacierzy,
   c) funkcje size i length
   d) wyrazenia i funkcje logiczne, w szczegolnosci funkcja 'find'
   e) grafika dwuwymiarowa, funkcje plot, figure, subplot
   f) proste funkcje statystyczne

2. Obejrzyj dzialanie skryptow demonstracyjnych zebranych w module 
   nndb pakietu firmowego nnet Matlaba (w szczególności nnd4db1 
   i nnd4db1).

3. Zobacz jak dzialają moduly demonstracyjne pakietu netlab.
    Rozkaz 'demnlab' uruchamia interfejs graficzny; wybierz stamtąd
    tematy: 'Regression' (lub: 'Classification', lub: 'Density Modelling
    and Classification'), zobacz jakie tam przewidziano funkcje
    i jak te funkcje dzialają.

 4. Funkcja dyskryminacyjna dla 2 grup danych, metoda MLP.
   Wczytaj jeden z plikow z danymi: wine_  lub iris_ (ewtl. iris4).
   Każdy z tych zbiorow składa się z z 3 podgrup
   Wystandaryzuj dane
   A) statystycznie (np. stan_dan), B) na rozstęp (np. stan_range),
   Wykonaj obliczenia dwa razy: raz na danych A, i drugi raz na danych B.
           porownaj wyniki na probkach testowych z wariantu A i wariantu B.
   Obliczenia:
    a) Wybierz jedną z podgrup jako grupę docelową (target), a drugą
       jako grupę alternatywną.
    b) Przygotuj zrandomizowane probki uczące i testowe.
    c) Skonstruuj i wytrenuj siec MLP do rozpoznawania wybranej grupy danych
    d) Sprawdz, jak działa wytrenowana siec na danych testowych
        i przedstaw wyniki za pomoca odpowiednich wskaznikow (np. macierz
        pomieszania) oraz graficznie (index-plot, histogramy)

 5.  Obliczenia zadania 4 wykonaj w oddzielnym pliku (makro postaci M-file)
   pod edytorem Matlaba. Jak juz wszystkie intrukcje będą poprawne, przygotuj
   z nich Raport publikacyjny (File, opcja: publish)

6. Oberzyj demo z pakietu firmowego 'nnet' o nazwie 'nn4lc' (learning
    classification, autorzy: Widrow i Hoff).
    Obejrzyj rownież wagi dla wytrenowanego perceptronu.

7.  Sekwencyjne znajdywanie wag (uczenie się perceptronu) jest opisane
    w notatkach wk3 w sekcji 3.3.1; w szczególności chodzi o wzory 3.12, 3.13
    i 3.14. Zaprogramować te wzory dla najprostszego perceptronu (opcyjnie
    w Matlabie,ale wyjątkowo dopuszczam inny język programowania)