June 21, 2017 06:48 · Jun 21, 2017
diff --git a/gistfile1.txt b/gistfile1.txt
@@ -0,0 +1,37 @@
+from random import choice   # zwraca losowy element z listy
+from numpy import array     # macierz (typ danych)
+from numpy import dot       # iloczyn skalarny
+from numpy import random   # losowanie macierzy (niestety konflikt nazw)
+
+dane_treningowe = [   # modelujemy AND
+  [array([1, 0, 0]), 0],  # pierwszy element to wzbudzenie, zawsze równy 1
+  (array([1, 1, 1]), 1),
+  (array([1, 1, 0]), 1),
+  (array([1, 0, 1]), 1),
+  ]
+
+pamiec = random.rand(3)    # losuję trzyelementową macierz (typ array)
+
+wsp_ucz = 0.2         # współczynnik uczenia
+ile = 100             # liczba powtórzeń uczenia
+
+def proguj(liczba):
+  if liczba < 0:
+    return 0
+  return 1
+
+# uczenie:
+
+bledy = []
+
+
+for i in range(ile):
+  dane, spodziewane = choice(dane_treningowe)   # losuję zestaw uczący
+  wynik = dot(pamiec, dane)                     # iloczyn skalarny dwóch wektorów - pamięci i danych
+  error = spodziewane - proguj(wynik)           # obliczenie błędu - jesli różne od 0, to trzeba poprawić pamięć
+  bledy.append(error)
+  pamiec += wsp_ucz * error * dane  # jesli error != 0 to dodamy do wektora pamięci wektor powstały z takiego mnożenia (bo dane to wektor, a reszta to liczby)
+
+for dane, odrzut in dane_treningowe:
+  wynik = dot(dane, pamiec)
+  print("{}: {} -> {}".format(dane[1:], wynik, proguj(wynik)))
No results found