PL EN


2013 | 4 | 2 | 358-365
Article title

Wpływ opisu danych na efektywność uczenia oraz pracy sztucznej sieci neuronowej na przykładzie identyfikacji białek

Authors
Content
Title variants
EN
Influence of data description on efficiency of learning and job artificial neural network on example of identification of proteins
Languages of publication
PL EN
Abstracts
PL
Uczenie jednokierunkowych wielowarstwowych sztucznych sieci neuronowych jest zagadnieniem szeroko omawianym w literaturze. Autorzy większości opracowań skupiają się na metodach uczenia, zdecydowanie mniej prac poświęconych jest wpływowi preprocesingu danych na uczenie i efektywność pracy sieci. Skoro uczenie sztucznych sieci neuronowych jest szukaniem funkcji odwzorowującej zbiór danych wejściowych w zbiór oczekiwanych odpowiedzi, to czego możemy oczekiwać, jeżeli zmienimy opis danych uczących? Zmienia się funkcja odwzorowująca, a więc szukamy innej funkcji, zatem jest możliwe, iż sposób kodowania danych wpływa na efektywność uczenia i pracy sieci. Niniejsza praca dotyka przedstawione zagadnienie badając wpływ sposobu zakodowania opisu białek na efektywność uczenia oraz pracy sieci neuronowej identyfikującej rodzaj białka
EN
Learning feedforward multilayer neural networks is an issue widely discussed in the literature. The authors of the most works focus on methods of learning, much less work is devoted to the influence of data preprocessing on learning and the efficiency of the network. If learning of artificial neural networks is finding the mapping function set of input data into a set of expected responses, what you can expect if you change the description of the data learners? Changes of mapping functions, and so we are looking for another function, so it is possible that the encoding of data affects the efficiency of learning and job of the network. This paper touches the issue presented by examining the impact of coding method information about the proteins on the effectiveness of learning and the work of the neural network identifies the type of protein.
Year
Volume
4
Issue
2
Pages
358-365
Physical description
Dates
published
2013
Contributors
author
References
  • Bielecki A. (2003), Mathematical model of architecture and learning processes of artificial neural networks, „TASK Quarterly 7”, no. 1.
  • Hebb D. (1949), The Iragnization of Behavior, New York.
  • Korbicz J., Obuchowicz A., Uciński D. (1994), Sztuczne sieci neuronowe. Podstawy i zastosowania, Warszawa.
  • Kwater T., Bartman J., Atamanyuk I., Sidenko E. (2011), Diagnosis of apples by automatic classification of objects, Computing in Science and Technology, Monographs in applied informatics.
  • Madej K. (2013), Projekt neuropodobnego systemu identyfikacji białek. Praca inżynierska, Rzeszów. McClelland T.L., Rumelhart D.E. and the PDP Research Group (1986), Paralell Distributed Processing, MIT Press, Cambrideg, Mass.
  • Osowski St. (1996), Sieci neuronowe w ujęciu algorytmicznym, Warszawa.
  • Rosenblatt F. (1958), The perceptron: A probalistic model for information storage and organization in the brain, „Psychology Review”, no. 65.
  • Stąpor K. (2005), Automatyczna klasyfikacja obiektów, Wydawnictwo Exit.
  • Tadeusiewicz R. (1993), Sieci neuronowe, Warszawa.
  • Żurada J., Barski M., Jędruch W. (1996), Sztuczne sieci neuronowe. Podstawa teorii i zastosowania, Warszawa.
  • www.mybiosource.com
  • www.uniprot.org
  • www.ncbi.nlm.nih.gov/pubmed
  • www.drugbank.ca
  • www.ionsource.com
Document Type
Publication order reference
Identifiers
ISSN
2080-9069
YADDA identifier
bwmeta1.element.desklight-2b85c7ca-b21d-4440-9405-d6ed7403b06a
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.