82562

Быстрое сравнение по образцу и обучение в глубину с помощью диаграмм решений

Дипломная

Информатика, кибернетика и программирование

Машинное обучение – раздел информатики изучающий методы построения моделей, способных обучаться. Различают два типа обучения: обучение по прецедентам, или индуктивное обучение, т.е. выделение закономерностей в экспериментальных данных, и дедуктивное обучение, предполагающее формализацию знаний экспертов.

Русский

2015-03-01

259.19 KB

2 чел.

САНКТ-ПЕТЕРБУРГСКИЙ  ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Математико-механический факультет

Кафедра системного программирования

Зубаревич Дмитрий Александрович

Быстрое сравнение по образцу и обучение в глубину с помощью диаграмм решений

Дипломная работа

Допущена к защите.

Зав. кафедрой:

д. ф.-м. н., профессор Терехов А. Н

Научный руководитель:

к.ф.-м.н., доцент Д.Ю. Бугайченко

Рецензент:

аспирант, Дзюба А.А.

Санкт-Петербург

2014

SAINT-PETERSBURG STATE UNIVERSITY

Mathematics & Mechanics Faculty

Software Engineering Chair

Zubarevich Dmitriy

Fast pattern matching and deep learning using decision diagrams

Graduation Thesis

Admitted for defence.

Head of the chair:

Professor A.N. Terekhov

Scientific supervisor:

D. Y. Bugaychenko

Reviewer:

PhD student, A.A. Dzyuba

Saint-Petersburg

2014

Оглавление

Введение 5

Постановка задачи 7

1. Обзор предметной области 8

1.1. Бинарные диаграммы решений 8

1.1.1. История 8

1.1.2. Основные определения 9

1.1.3. Обзор программных реализаций 14

1.2. Машинное обучение 16

1.3. Обзор используемых технологий 17

2. Обзор решения 19

2.1. Алгоритм построения функции схожести с множеством образцов 19

2.1.1. Основные определения 19

2.1.2. Подходы к построению функции схожести с множеством образцов 20

2.1.3. Метрики для определения схожести объектов 22

2.2. Алгоритмы классификации на основе BDD 24

2.2.1. Простейшая схема 24

2.2.2. Нейрон, разрешающий конфликты 25

2.2.3. Матричная схема 27

2.2.4. Динамическая схема 27

2.2.5. Комбинированная схема 28

2.3. Особенности программной реализации 29

3. Результаты тестирования 31

3.1. Простейшая схема 32

3.2. Матричная схема 34

3.3. Динамическая схема 34

3.4. Типы диаграмм 35

3.5. Выводы 36

Заключение 37

Список литературы 38


Введение

Машинное обучение – раздел информатики изучающий методы построения моделей, способных обучаться. Различают два типа обучения: обучение по прецедентам, или индуктивное обучение, т.е. выделение закономерностей в экспериментальных данных, и дедуктивное обучение, предполагающее формализацию знаний экспертов. Последнее принято выделять в отдельную область – область экспертных систем.

Одной из наиболее частых задач машинного обучения является задача классификации. В постановке задачи классификации предполагается наличие множества объектов и множества классов, на которые их можно разделить. При этом выделяется подмножество объектов, для которых известны их классы. Такое подмножество обычно называют обучающим множеством. Требуется по обучающему множеству наиболее близко (проверяется на тестовом множестве) аппроксимировать функцию, определяющую класс по объекту.

Существует немало методов классификации, основанных на обучении по прецедентам, таких как искусственные нейронные сети, метод опорных векторов, регрессионный анализ и т.д. Все эти методы работают обычно не с самими объектами, которые могут иметь достаточно сложное представление, а с некоторым признаковым описанием, достаточно хорошо характеризующим объект. Результат аппроксимации можно понимать как  знания, полученные классификатором. В таком понимании классификатор может пользоваться своими знаниями, выдавая по признаковому описанию объекта его класс, однако не может объяснить принятое решение, так его знания хранятся неявно – в виде некоторой функции.

Невозможность объяснить принятое решение является достаточно серьезным недостатком, который может быть критичным для некоторых областей применения, связанных с человеческими жизнями.

Экспертные системы, в отличие от классификаторов, строятся путем формализации знаний экспертов. Такой подход более трудоемок, однако при этом можно организовать явное хранение знаний. Тогда система по объекту сможет не только его классифицировать, но и привести логический вывод о том, как она это сделала.

Глядя на два этих подхода к обучению: индуктивный  и дедуктивный, –      хочется объединить их преимущества, т.е. получить алгоритм классификации, потенциально способный объяснять принятое решение. При этом такому классификатору нужно было бы как-то хранить свои знания, которых может быть достаточно много.

С этой точки зрения интересным инструментом могут оказаться бинарные диаграммы решений (далее BDD от английского binary decision diagrams), которые представляют собой компактное  и эффективное представление булевых функций с возможностью расширения  для представления множеств и конечно-значных функций. Ключевой особенностью BDD является способность использовать внутреннюю структуру (не обязательно известную заранее) объекта,  который она моделирует, чтобы обеспечить компактное представление в памяти.

Классификатор на основе BDD можно строить следующим образом. Для заданного множества объектов, описываемых своим вектором свойств,  можно построить две BDD: описывающую это множество и описывающую функцию вычисления схожести нового объекта с элементами множества. Имея несколько BDD, представляющих различные множества образцов и функции, определяющие меру схожести объекта с этими множествами,  можно вычислить для некоторого объекта эти меры схожести с имеющимися множествами. Полученные результаты можно использовать для более детального анализа с помощью дополнительного слоя BDD или с помощью традиционных техник машинного обучения.

Стоит также отметить, что явное хранение множеств образцов потенциально можно использовать для извлечения дополнительной информации, дающей ответ не только на вопрос, к какому множеству объект ближе, но и на вопрос, почему ближе. Иными словами, можно получить не только численную характеристику близости объекта к множеству образцов, но и подмножество образцов, к которым объект наиболее близок.

Постановка задачи

Целью данной дипломной работы является разработка алгоритмов классификации на основе бинарных диаграмм решений. Для достижения цели были поставлены следующие задачи:

  1. Разработать требующиеся алгоритмы и реализовать их в виде библиотеки;
  2. Создать систему для тестирования этих алгоритмов;
  3. Исследовать эффективность различных типов диаграмм решений;
  4. Оценить качество полученных результатов, путем тестирования на базе рукописных символов MNIST [12].  


  1.  Обзор предметной области
  2.  Бинарные диаграммы решений
    1.  История

Основной идеей для создания бинарных диаграмм решений послужило разложение Шеннона [18], идея которого заключается в том, что любую булеву функцию от n  переменных, можно представить в виде двух подфункций от n-1 переменной, соответствующих истинному и ложному значению переменной, по которой выполнялось разложение. Проведя полное разложение, можно получить дерево принятия решений, сокращение которого даст бинарную диаграмму решений.

Бинарные диаграммы решений (BDD) были первоначально предложены Ли (Lee) в 1959г. для моделирования логических функций, но они не привлекли большое внимание в связи с отсутствием унифицированных алгоритмов для работы с ними. Второе рождение BDD получило благодаря работе Брайянта (Bryant) [7]. Он предложил эффективные алгоритмы для работы с BDD, благодаря идее фиксирования порядка  переменных, для однозначности канонического представления функции в виде BDD, а также идее повторного использования общих подграфов, т.е. редукции диаграмм. Такой тип диаграмм получил название: сокращенная упорядоченная диаграмма решений. Использование несколькими диаграммами общих подграфов привело  к пониманию BDD, как разделяемых сокращенных упорядоченных диаграмм решений. Введено это понятие было в 1990г. Брейсом (Brace), Руделом (Rudell) и Брайянтом (Bryant). 

Затем были предложены несколько расширений, позволяющих работать с конечно-значными функциями и другими видами объектов [3]; многие из этих расширений и классических BDD реализованы как пакеты с открытым исходным кодом [1], [21],[13].

Алгоритмы, основанные на использовании BDD, нашли применение во многих областях [15], в том числе верификации программного и аппаратного обеспечения [2], [4], генерации тестов [17], анализа графов [22].

Впоследствии было введено множество других типов BDD, различающихся правилами редукции и другими ограничениями  [5]. Отдельно стоит отметить бинарные диаграммы решений с подавлением нулей (ZDD – zero-suppressed decision diagrams), введенные Шин-ичи Минато (Shin-ichi Minato) в 1993г. [16], которые зачастую позволяют добиться значительного уменьшения размера диаграмм, по сравнению с классическими BDD.

ZDD успешно применяются в интеллектуальном анализе данных для представления элементов множества в памяти [14][19]. Основное отличие этой работы от работ, основанных на применении ZDD, заключается в использовании многокорневой версии  BDD или ZDD с целью построения функции схожести с образцами вместо кодирования самого множества образцов. Это позволяет получать быстрые оценки схожести, однако приводит к большим затратам памяти и времени на обучение, т.е. построение BDD.

  1.  Основные определения

Формально, упорядоченная BDD функции вида , где   есть некоторое конечное непустое множество, есть ориентированный корневой ациклический граф с множеством вершин , . Вершины множества называются нетерминалами, и для каждой такой вершины  определены значение порядка и ровно две дочерние вершины . Индексы нетерминальных вершин  соответствуют аргументам определяемой функции .  Вершины множества  называются терминалами и не имеют дочерних вершин. Для каждой терминальной вершины  определено значение . Кроме того выполнено условие порядка: для любого нетерминала   и любой его дочерней вершины выполнено либо , либо. Теперь каждой вершине  можно сопоставить функцию :

Существует несколько разновидностей решающих диаграмм. В задачах связанных с использованием булевых функций вида   и конечные множества широкое распространение получили бинарные решающие диаграммы (BDD) [7]. В задачах, связанных с использованием функций вида , где  есть некоторое конечное непустое множество, и нечётких множеств, часто применяются многотерминальные бинарные решающие диаграммы (MTBDD) и различные их модификации.  Альтернативой MTBDD являются многокорневые бинарные решающие диаграммы (MRBDD). Они работают с конечнозначными функциями, как с векторами из булевых функций. Их основное преимущество перед MTBDD – меньший размер, достигаемый, за счёт более эффективного повторного использования фрагментов одинаковой структуры.

Помимо булевых и конечно-значных функций BDD также позволяют моделировать множества и матрицы. Для представления множеств с помощью BDD, обычно используют характеристические функции. Это позволяет легко выразить операции над множествами через операции над характеристическими функциями:

  1.  
  2.  
  3.  

Заметим, что такое представление позволяет строить множество без явного перечисления всех его элементов.

Чтобы получить представление конечно-значных матриц  с помощью BDD, заметим, что матрицу можно рассматривать как функцию , определяемую следующим образом: . Тогда сложение матриц реализуется тривиальным образом через сложение соответствующих функций, а вот алгоритм вычисления произведения матриц выглядит несколько сложнее и подробно описывается в статье [1]. Заметим, что матрица, в широком смысле, при таком подходе, является расширением функции, основным отличием которого является то, что множество аргументов разбито на два непересекающихся подмножества: строки и столбцы.

Рассмотрим пример. На рисунке 1.1.2.1 слева изображена таблица истинности функции  , а справа её представление в виде бинарного дерева решений.
В случае построения BDD производится редукция графа в соответствии с тремя правилами, согласно с [1]:

  1. Слияние дубликатов терминалов с соответствующим перенаправлением дуг;
  2. Слияние дубликатов нетерминалов, т.е. если нетерминальные вершины  такие, что , то вершины  и  совмещаются с соответствующим перенаправлением дуг;
  3. Удаление нетерминалов с одной дочерней вершиной с перенаправлением в неё входящих дуг.

Рис. 1.1.2.1 Табличное задание функции (слева) и бинарное дерево решений (справа).

Возвращаясь к нашему примеру и последовательно применяя к нему перечисленные правила редукции, получим результат, изображенный на рисунке 1.1.2.2.

Рис. 1.1.2.2 BDD после применения первого (слева), второго (в центре) и третьего (справа) правил редукции.

На рисунке справа изображён конечный вариант диаграммы для функции . Как видно, такое представление гораздо более компактно, чем таблица истинности.

Правила редукции диаграмм решений, приводящих к построению BDD, можно также сформулировать иначе, согласно с [4]:

Слияние: объединить любые изоморфные подграфы

Удаление: удалить любую вершину, потомки которой совпадают, а все входящие в нее дуги перенаправить в потомка.

При применении классических BDD к некоторым задачам, часто можно заметить, что для многих вершин  дочерняя вершина ) всегда ведет в терминальную вершину, соответствующую нулю. Чаще всего так происходит при работе с разреженными объектами. Множество объектов называется разреженным, если число элементов в нем много меньше того, что может в нем быть.

При кодировании функций, соответствующих таким задачам, зачастую лучше использовать бинарные диаграммы решений с подавлением нулей. Как и для классических BDD, для ZDD имеют место два правила редукции дерева принятия решений:

  1.  Слияние: объединить любые изоморфные подграфы
  2.  Удаление: удалить любую вершину , ) потомок которой соединен с терминальной вершиной соответствующей нулю, а все входящие в нее дуги перенаправить в вершину .

Различие во втором правиле редукции несколько меняет способ обхода результирующей ZDD в сравнение с обходом BDD, не имеющим особенностей и соответствующим вычислению функции . При обходе ZDD нужно отдельно обрабатывать случаи, когда для некоторой вершины   и её дочерней вершины  верно, что  тогда обход диаграммы сразу заканчивается в терминальной  вершине, соответствующей нулю, если ; в противном случае обход продолжается с вершины . На рисунке 1.1.2.3 представлен процесс редукции дерева принятия решений для функции .

 

Рис. 1.1.2.3 ZDD после применения первого (слева и в центре) и второго (справа) правил редукции.

Как видно, пример с функцией   оказался не показательным, и число результирующих узлов оказалось одинаковым, как для BDD, так и для ZDD. Однако в зависимости от природы кодируемой функции, как указано в работе [5], размеры ZDD и BDD для этой функции могут отличаться в   раз, причем больший размер могут иметь как первые, так и вторые. Значительную эффективность ZDD показывают при представлении разреженных множеств, т.е. таких, в таблице истинности характеристической функции которых количество нулей значительно больше количества единиц.

Как и в случае с классическими BDD, функциональность ZDD можно расширить для моделирования множеств, конечно-значных функций и матриц способом, описанным выше.

  1.  Обзор программных реализаций 

CUDD - пакет решающих диаграмм – Colorado University Decision Diagram Package (CUDD) [21], реализованный на языке C. Библиотека предоставляет программный интерфейс для работы с несколькими типами BDD:

  1. Классические BDD
  2. Многотерминальные BDD
  3. ZDD

Ключевыми особенностями реализации библиотеки являются:

  1. Общий массив для хранения вершин;
  2. Глобальный кэш диаграмм;
  3. Возможность динамического переупорядочивания переменных;
  4. Встроенный сборщик мусора;
  5. Встроенный сборщик статистики, отображающий количество используемых узлов, затраты памяти, количество переменных и т.п.
  6. Запись диаграмм в blif-, dot-, DaVinci- форматы;
  7. Бинарная и текстовая сериализация/десериализация с помощью внешней библиотеки dddmp [20].

BuDDy – еще один не менее известный пакет BDD [13]. Эта библиотека также написана на C, обладает схожим набором возможностей и особенностей реализации, но поддерживает только классические BDD.

BddFunctions - предоставляет гибкий объектно-ориентированный C++ интерфейс для работы с функциями, множествами и матрицами, представленными BDD. BddFunctions основана на библиотеке CUDD, как на одном из наиболее производительных и функциональных пакете BDD.

CUDD реализует основные алгоритмы BDD, однако предоставляет весьма низкоуровневый интерфейс, которым сложно пользоваться. Библиотека BDDFunctions, в свою очередь, решает большинство инфраструктурных проблем, с которыми приходится сталкиваться разработчику при использовании BDD, позволяя работать на более высоком уровне абстракции.

Ключевые понятиями программного интерфейса библиотеки BDDFunctions являются тип данных, переменная, функция, множество, матрица. Основные алгоритмы при этом, так же как и в CUDD, реализованы на языке C, с целью обеспечения максимальной производительности. С более подробным описанием библиотеки BDDFunctions можно ознакомиться в [1].   

  1.  Машинное обучение

Машинное обучение – раздел информатики изучающий методы построения моделей, способных обучаться, т.е. улучшать качество своей работы с приобретением опыта,  и алгоритмов для их построения и обучения. Машинное обучение принято разделять на два типа: обучение по прецедентам, или индуктивное обучение, т.е. выделение закономерностей в экспериментальных данных, и дедуктивное обучение, предполагающее формализацию знаний экспертов. Последнее принято выделять в отдельную область – область экспертных систем.

Постановку задачи обучения можно описать так. Имеется множество объектов , множество ответов  и неизвестная функция  .  Кроме того, для конечного подмножества  известны значения функции , так что . Эти значения образуют обучающую выборку:  . Требуется по обучающей выборке , аппроксимировать неизвестную функцию  так, чтобы для любого объекта  получать достаточно точный ответ .

Задача классификации является классической задачей машинного обучения. В ней множество ответов  соответствует множеству классов, на которые разделено множество .  Наиболее частой задачей классификации является задача распознавания образов. В этом случае в качестве элементов множества  могут выступать оцифрованные изображения лиц, букв, и т.п., записи музыки и произношения слов, видеозаписи и многое другое. Обилие постановок задач само собой объясняет пользу и огромное практическое применение машинного обучения.

  1.  Обзор используемых технологий

Для реализации поставленных задач, было использовано несколько инструментов.

В качестве пакета обеспечивающего работу с BDD была выбрана библиотека BddFunctions. Причиной тому послужило следующее:

  1. Гибкий объектно-ориентированный C++ интерфейс для работы с функциями, множествами и матрицами, представленными BDD;
  2. Использование в качестве ядра пакета CUDD, который, во-первых, является одной из самых быстрых библиотек для работы с BDD и, во-вторых, предоставляет возможность работы не только с классическими BDD, но и с ZDD. Последнее дает больший простор для экспериментов.

Использование данной библиотеки определило необходимость, применение языка GNU C++ с использованием компилятора MinGW и интегрированной среды разработки Code::Blocks [8] для реализации алгоритмов, использующих BDD.

Для покрытия исходного кода тестами использована  библиотека с открытым исходным кодом Google C++ Testing Framework (GTest) [9]. GTest позволяет легко проводить модульное тестирование и обладает дружественным интерфейсом.

Для удобства работы была создана Java-обертка над C++ кодом с использованием IntelliJ IDEA 13 [10].
В условиях высоких требований BDD к вычислительным ресурсам, была реализована возможность распределенных вычислений. Транспортная часть реализации возложена на библиотеку KryoNet [11], предоставляющую удобный программный интерфейс для описания клиент-серверного взаимодействия.   

Для тестирования работы алгоритмов использовалась база рукописных символов MNIST [12], являющаяся своего рода стандартом для тестирования алгоритмов распознавания рукописных символов.

В качестве эталона для сравнения результатов распознавания символов базы MNIST, использовалась библиотека Weka  [24]  - сборник алгоритмов машинного обучения для задач интеллектуального анализа данных. Характеризуется следующими свойствами:

  1. Легкость в освоении;
  2. Наличие графического интерфейса, с помощью которого легко можно прогнать заранее подготовленные данные;
  3. Возможность вызова методов библиотеки из Java кода;
  4. Широкий спектр доступных алгоритмов, в том числе для задач классификации.


  1.  Обзор решения

2.1. Алгоритм построения функции схожести с множеством образцов

2.1.1. Основные определения

Предположим, у нас есть некоторое множество , –  обучающая последовательность примеров, и введена метрика  , где , для определения расстояния между двумя точками, являющегося характеристикой схожести двух точек. Нам  необходимо научиться определять расстояние от точки, лежащей в множестве , до множества , т.е. построить функцию схожести с множеством образцов .

Заметим, что определение расстояния от точки до множества, в зависимости от необходимости применения в той или иной задаче, может быть дано по-разному. С этой целью введем некоторую агрегирующую функцию . Тогда получим следующее определение.

Определение 2.1.1.1.  Под функцией схожести с множеством образцов будем понимать функцию :

 

Отметим, что имея в распоряжении множество образцов, можно проверить объект на вхождение в множество образцов и сразу вернуть ноль, если он туда входит. В противном случае требуется все-таки рассчитать значение функции .

Функцию схожести с множеством образцов , представленную BDD или ZDD, можно строить, используя композицию или простые арифметические операции, подробное описание которых можно найти в  [1].

Одним из ключевых факторов при выборе функций  является простота, так как BDD являются достаточно требовательными к ресурсам. Подходящие для построения функции  метрики  будут описаны в разделе 2.1.3. Пока же подробно рассмотрим агрегирующую функцию .

Заметим, что при   и при функции схожести с множеством образцов  = , мы получим, что  – среднее арифметическое расстояние до точек множества . Такое расстояние подходит для класса задач, в которых важна статистика расстояний от точки до точек множества, при этом операция сложения является одной из самых простых. Это делает функцию  неплохим кандидатом на роль функции схожести с множеством образцов.

Если в качестве агрегатора взять функцию , то функция схожести с множеством образцов  будет искать минимальное расстояние до точек множества, т.е. наиболее близкий к аргументу образец. И хотя, минимум более тяжеловесная операция, чем сложение, такой агрегатор также подходит для построения функции схожести с множеством образцов.  

2.1.2. Подходы к построению функции схожести с множеством образцов

Действуя в соответствии с определением 2.1.1.1., функцию схожести с множеством образцов можно строить динамически, как описано ниже.

Предположим, у нас есть промежуточное множество , которому соответствует функция . Пусть мы хотим изменить , добавив в него точку . Тогда получим: , - новое множество,  – соответствующая  ему функция.

При таком подходе представление функции  в виде BDD будет постоянно расти, с добавлением все большего и большего числа точек к множеству. Поэтому каждое новое добавление образца к множеству будет происходить все дольше и дольше, так как известно, что скорость выполнения BDD-операций напрямую связана с размером BDD-операндов. Это наводит на мысль о необходимости уменьшения размера BDD-операндов на каждом шаге и уменьшении количества проводимых операций.

Так в большинстве случаев обучающая последовательность заранее известна, можно воспользоваться таким стандартным алгоритмом, решающим эту проблему:

  1. Найдем все возможные расстояния .
  2. Если , то искомое расстояние содержится в единственном элементе множества.
  3. Разобьём множество  на два подмножества  и , отличающиеся количеством элементов не более, чем на 1.
  4. Если  , то заведем множество  и переложим в него элемент из большего множества.
  5. Теперь считая, что в множествах  и  одинаковое число элементов, перенумеруем элементы этих множеств: , .
  6. Построим множество .
  7. Применим алгоритм с шага 3 для множества .

В результате, количество проводимых операций уменьшится с  до .

Однако при этом подходе в начале алгоритма необходимо построить  расстояний, что сильно увеличивает расход по памяти и несколько замедляет скорость операций. Кроме того теперь с каждым шагом алгоритма размеры операндов становятся все больше, что к концу алгоритма, может слишком сильно его замедлить.

Можно бороться с этой досадной проблемой, следя за размером диаграмм соответствующим промежуточным функциям расстояний  и останавливая алгоритм при достижении некоторого критического значения. Затем проводить остальные операции с остатками промежуточных расстояний можно последовательно, аналогично первому способу.   

2.1.3. Метрики для определения схожести объектов

В зависимости от задачи, в которой необходимо находить расстояние от точки до множества образцов, следует выбирать наиболее подходящую функцию .

При этом выборе важно опираться также на следующие критерии:

  1.  Функция  должна, по возможности, выражаться через наиболее простые операции. Наиболее простой операцией является сложение. При необходимости также можно использовать умножение, композицию функций и прочее;
  2.  Операции, через которые выражается функция , должны быть наименее трудоемкими. Сложение – наименее трудоемкая операция. Возведение в квадрат,  умножение, композиция функций  и т.д. – гораздо более трудоемкие операции.

Рассмотрим некоторые метрики, для которых несложно построить BDD, оперируя API библиотеки BDDFunctions [1]. Рассмотрим точки , , и метрику .

Одной из простейших метрик, удовлетворяющей указанным выше критериям, является -метрика :

При построении  применяется всего две операции: сравнение и вычитание. Данная метрика является весьма универсальной и может иметь достаточно широкое применение при хорошем подборе бинарной кодировки элементов множества .

Другой несложной метрикой является расстояние Хэмминга . Чтобы определить его, введём функцию , которая переводит точку из множества T в её бинарную кодировку, и функцию , которая возвращает значение указанного бита в данной кодировке. Положим  – значение j-ого бита i-ой компоненты вектора . Тогда  определяется следующим образом:

где .

При построении этой метрики применяются операции: сравнение, взятие бита с указанным номером в данной кодировке и суммирование по количеству бит в кодировке. Несмотря на количество операций, все они не очень требовательны к ресурсам, что свидетельствует о том, что  вполне можно применять для построения .

Сама метрика  применяется, например, при сравнении хэшей, полученных с помощью локально-чувствительного хэширования. Последнее широко применяется в задачах распознавания образов, для снижения размерности множества, представляющего образы, что является весьма важным аспектом при применении BDD, так как BDD является очень требовательными к затратам по памяти. В дальнейшем под метрикой  будем подразумевать метрику , если не оговорено иное.


2.2. Алгоритмы классификации на основе BDD

В дальнейшем, под нейроном с явным представлением данных будем понимать пару (, ), где  – множество, хранящее образцы точек, а расстояние, от точки до , соответствующее определению 2.1.1.1. Коротко такой объект будем называть нейроном, если отдельно не оговорено, что используется классическое понимание этого слова.

Мы хотим построить классификатор, состоящий из нейронов, для распознавания графических образов – рукописных символов. Очевидно, что тестовый объект, – изображение одного символа, должен быть более похожим на образцы нейрона, распознающего данный символ, чем на образцы нейрона, распознающего другой символ, в смысле расстояния . Это оправдывает возможность использования описанной, выше функции , в качестве метрики для определения расстояния от тестового объекта, до множества образцов, содержащихся в нейроне.

2.2.1. Простейшая схема

Наиболее очевидная схема: завести по одному нейрону на каждый символ. Тогда процесс обучения одного нейрона будет заключаться в том, чтобы добавить во множество образцов все хорошие точки и построить соответствующую функцию схожести с множеством образцов. Для распознавания необходимо взять интересующую точку и найти расстояние до каждого из нейронов. Символ, соответствующий нейрону, расстояние до которого получилось наименьшим, будем считать результатом распознавания. Ниже, на рисунке 2.2.1.1., изображена схема такого классификатора.

Рис. 2.2.1.1. Простейшая схема классификатора на основе

бинарных диаграмм решений.

2.2.2. Нейрон, разрешающий конфликты

Любая схема распознавания может ошибаться. Причем процент “перепутывания” пары символов может быть достаточно высок. Это приводит к необходимости создания способа разрешения конфликтов между парой символов.

Пусть у нас есть пара символов, которые часто конфликтуют, то есть вместо первого символа классификатор выдает второй, а вместо второго – первый. Такое может происходить потому, что многие бинарные кодировки, находящиеся в обучающем множестве первого символа, имеют похожие, с точки зрения расстояния Хэмминга, бинарные кодировки в обучающем множестве второго символа. Иными словами некоторые бинарные кодировки из разных обучающих множеств имеют много похожих битов.

Первое что напрашивается, – исключать из рассмотрения те биты, которые часто совпадают у кодировок из разных множеств. Для этого можно ввести понятие взвешенного расстояния Хэмминга. В обозначениях раздела 2.1.3 получим:

,

где  – вес j-ого бита -ой компоненты вектора .

Возможность исключать из рассмотрения биты, часто встречающиеся в бинарных кодировках пары символов, можно применить для создания нейрона, разрешающего конфликты. Формально этот нейрон представляет пару ((, ), (, )), где  – множество, хранящее шаблоны первого символа,  – второго, а  – функция нахождения расстояния от точки до множества  , взвешенная относительно точек множества  и, аналогично для .

После соответствующего обучения нейрон,  разрешающий конфликты, получив на вход точку , вернёт первый символ, если  и второй символ в противном случае.
Заметим, что область определения  можно расширить, получив возможность более тонкой настройки значимости битов. Однако это может привести к сильному снижению производительности.
Отметим также, что при придании битам, плохо характеризующим различие классов,  нулевого веса, мы осуществляем снижение размерности данных, что может существенно ускорить построение BDD, при обучении.

Подводя итог, получим следующий алгоритм:

  1. для конфликтующих пар символов определяем доверительный порог значения расстояния, до превышения которого ответ считается заведомо правильным
  2. обучение нейрона, разрешающего конфликты проводим на точках, которые не попадают в доверительный интервал
  3. при необходимости, обучение нейрона проводим на взвешенных точках с целью: более тонкого обучения и/или снижения размерности данных.

2.2.3. Матричная схема

Имея в распоряжении нейрон, разрешающий конфликты, можно предложить более надежную схему распознавания символов. Пусть мы хотим распознавать символы, пронумерованные от 1 до n. Рассмотрим матрицу из нейронов размерности n×n:

.

Элементы  и  матрицы  образуют пару нейронов, который можно трактовать, как нейроном, разрешающий конфликты между символами с номерами  при 1. Обучение классификатора, устроенного таким образом, нужно проводить посредствам обучения всех этих пар в соответствии с рассуждениями, приведенными в предыдущем разделе.

Распознавание символов при описанном выше устройстве классификатора будет проходить путем опроса нейронов, разрешающих конфликты. Каждый символ при этом, может получить от  до  положительных срабатываний нейронов.  Классификатор будет считать ответом тот символ, который наберёт больше всего срабатываний нейронов, разрешающих конфликты.

Главным недостатком матричной схемы является количество нейронов, нужное для её построения. Если для простейшей схемы нужно  нейронов, то для матричной схемы нужно  нейронов. Поэтому в сфере требовательности BDD к вычислительным ресурсам, матричную схему разумно применять при достаточно сильном снижении размерности данных.

2.2.4. Динамическая схема

Дальнейшим развитием идеи разрешения конфликтов, является подход, заимствованный из распространенной гипотезы о том, что ошибки при решении задач, сделанные биологическими нейронными сетями, приводят к образованию новых нейронов, а также новых связей между нейронами.

Будем проводить построение и обучение классификатора динамически. На первом шаге возьмем простейшую схему и обучим её. Затем возьмем всё обучающее множество и попросим классификатор распознать это множество, игнорируя то, что обучающие шаблоны известны классификатору. Получив результаты, выявим пару символов, которые классификатор путает между собой чаще всего, и для этой пары создадим и обучим нейрон, разрешающий конфликты. Теперь классификатор, в случае принятия решения о том, что ответ – один символ из ранее выявленной пары, не будет выдавать этот символ на выход, а будет просить новый нейрон решить, какой же символ (предполагаемый нижним слоем, или чаще всего с ним конфликтующий)  на самом деле считать ответом.

Все последующие шаги, проводятся аналогично. Берем текущий классификатор, считая, его простейшим, анализируем  результаты распознавания на обучающей выборке, добавляем новый слой из одного нейрона, разрешающего конфликты между самыми схожими, по мнению текущего классификатора, символами. Повторяем процесс итеративно. Классификатор в результате будет состоять из меньшего количества нейронов, чем в матричной схеме, потому что многие символы между собой совершенно не похожи, а результативность будет не хуже, чем у матричной схемы.

2.2.5. Комбинированная схема

Имея в арсенале  набор способов для построения классификаторов на основе BDD, а также набор стандартных методов машинного обучения, решающих задачу классификации, можно объединить эти подходы. Выглядеть это может следующим образом.

В начале, мы строим классификатор на основе BDD. Специальным образом настраиваем его так, чтобы на выходе он выдавал не искомый класс, а набор всех расстояний, которые он рассчитывал при определении класса.  Затем точкам, находящимся как в тренировочном, так и в тестовом множестве, ставим в соответствие характеристический вектор из расстояний, полученных из BDD-классификатора. Преобразованные данные составляют новое обучающее и тестовое множества. Уже их используем для обучения и тестирования одного из классических алгоритмов классификации.

Опишем алгоритм более формально. Как и раньше,  – обучающая последовательность, для элементов которой класс известен,  – пространство признаков. Тогда алгоритм будет выглядеть так:

  1. Построим и обучим классификатор на основе BDD. При этом формируются нейроны , где ,  – образцы -ого нейрона.
  2. Преобразуем  с помощью функции  такой, что . При этом получим новую обучающую последовательность .
  3. Обучим классический классификатор на множестве .

2.3. Особенности программной реализации

Часть алгоритмов, отвечающих за непосредственное построение BDD, моделирующей функцию схожести точки с множеством образцов (см. раздел 2.1), реализована на языке C++, что предопределилось использованием  BddFunctions [1], и оформлена в качестве отдельной библиотеки, являющейся ядром решения.

Для удобства построения схем, описанных в разделе 2.2,  а также их тестирования была реализована Java-обертка над ядром.

Ряд ограничений, перечисленный ниже, послужил поводом к реализации возможности распределенных вычислений:

  1. Возможность работы CUDD [21] только в 32-битном режиме;
  2. Высокие требования к вычислительным ресурсам BDD;
  3. Отсутствие встроенного параллелизма в CUDD.

Реализация этой функциональности, дала возможность декомпозировать процесс обучения нейронов: задействовать  несколько процессов на многоядерных машинах или даже несколько серверов. Хотя процесс обучения одного нейрона, по-прежнему может проводиться только в рамках одного процесса.  

Наличие в CUDD реализации ZDD, а также сведения о их применении в близких задачах [14] натолкнули на мысль о тестировании решения не только на классических BDD, но и на ZDD. Однако здесь пришлось столкнуться с двумя проблемами:

  1. Отсутствие в библиотеке  BddFunctions поддержки работы с ZDD;
  2. Отсутствие некоторых необходимых методов в реализации CUDD.

Пришлось решить эти две проблемы, реализовав недостающие методы в CUDD и поддержав необходимую функциональность в BddFunctions. Помогло в этом несколько работ. В [4] дано достаточно краткое и понятное описание устройства ZDD, обозначены основные отличия от BDD. В [5] содержалось более детальное описание ZDD, в том числе правила их обхода. В [6] присутствовало описание тонкостей работы с ZDD в контексте пакета решающих диаграмм CUDD.

  1.  Результаты тестирования

В данном разделе описаны результаты экспериментов по распознаванию рукописных символов базы MNIST [12] с применением схем, описанных в разделе 2.2. Символы в этой базе представляют собой изображения цифр размером 28х28 пикселей. При этом содержательная часть изображений всегда располагалась в центре, в квадрате размером 20х20 пикселей. Поэтому изначально, как для обучающих, так и для тестируемых образцов, выделялись именно эти части изображений. В среднем для каждой цифры база содержит порядка 6000 образцов и 1000 изображений для тестирования.

В целях ускорения работы исходные данные сжимались до изображений размером 10х10 пикселей, что давало 100 признаков для обучения (как для эталонных алгоритмов, так и для алгоритмов на основе BDD), хотя, судя по всему, и огрубляло результаты в некоторых случаях.

Всюду ниже подразумевается использование расстояния Хэмминга в качестве метрики, определенной на пространстве признаков.

В качестве эталона для сравнения был выбран метод опорных векторов и многослойный персептрон. Как уже указывалось в разделе 1.3, использовались реализации из библиотеки Weka [24]. Для метода опорных  векторов была использована реализация Яссера Эль-Манзалави (Yasser EL-Manzalawy) [25], класс weka.classifiers.functionsLibSVM, а для многослойного персептрона – реализация Малкольма Уэра (Malcolm Ware), класс  weka.classifiers.functions.MultilayerPerceptron. При обучении на всем обучающем множестве первый метод давал в среднем 92,34%, а второй 91,95%. Это лучшие показатели, которых удалось достичь перебором различных параметров этих классификаторов.

Проводилось тестирование на процессоре с тактовой частотой 3,4 ГГц.

  1.  Простейшая схема


Простейшая схема состоит из малого числа нейронов, равного количеству классов, что позволило получить достаточно полную статистику.

Для функции схожести, как среднего арифметического расстояний, динамика получилось достаточно плохая. При постепенном увеличении размера обучающего множества уже при 1000 точках был достигнут порог в 60,66%. При дальнейшем увеличении количества точек качество распознавания не сильно отличалось от этого порога.

Рис. 3.1.1. Зависимость качества распознавания от количества точек для обучения при поиске среднего расстояния

Рис. 3.1.2. Зависимость качества распознавания от количества точек для обучения при поиске минимума

Для функции схожести, как минимума среди расстояний, при увеличении количества образцов качество распознавания становилось все лучше и лучше, достигнув 91,31% при обучении на максимально доступном количестве образцов.

Время обучения в первом случае составило порядка полутора часов.  Во втором же случае обучение заняло порядка 12,5 часов, что вполне естественным образом объясняется более высокой сложностью поиска минимума, по сравнению с поиском суммы.

Средняя скорость получения ответа от классификатора составляет порядка 10мс.

Классификатор

Точность

Время обучения

Простейшая схема:

Среднее

60,66%

~1,5 часа

Минимум

91,31%

~12 часов

Комбинирование:

Perceptron

92,57%

~12,5 часов

SVM

93,4%

~12,5 часов

Эталон:

Perceptron

91,95%

~0,5 часа

SVM

92,34%

~0,5 часа

Таблица 3.1.1. Результаты тестирования простейшей схемы

В комбинации с классическими методами классификации, описанной в разделе 2.2.5, результаты оказались следующими: 92,57% при комбинации с многослойным персептроном и 93,4% - с методом опорных векторов. Это дало незначительный прирост в качестве распознавания. Результаты тестирования представлены в таблице 3.1.1.

  1.  Матричная схема

Для этой схемы экспериментов проведено было не много в основном из-за требуемого количества нейронов. В соответствии с разделом 2.2.2, для каждой пары символов был проведен предварительное определение первых 16 признаков, которые статистически лучше всего характеризуют один символ относительно второго.

При обучении на 100 точках схема с функцией схожести, как среднего арифметического расстояний, показала 67,8%, а, как с минимумом, - 71.01%, на 1000 точках – 69,7%  и 74,31%. При этом стоит отметить, что при 1000 точках обучение заняло всего 6 часов, что достаточно мало для построения такого количества диаграмм решений. Этого удалось достичь с помощью снижения размерности с 100 до 16 признаков.

  1.  Динамическая схема

Тестирование динамической схемы проводилось только на двух символах, которые конфликтовали больше всего. Кроме того рассматривалось только функция схожести, как среднее арифметическое.

Классификатор

Точность

Время обучения

Разрешение конфликтов

Среднее

93,64%

~6 часов 

Комбинирование:

 

Perceptron

94,37%

~6,25 часов 

SVM

95,75%

~6,25 часов 

Эталон:

 

Perceptron

93,83%

~0,25 часа 

SVM

94,25%

~0,25 часа 

Таблица 3.3.1. Результаты тестирования разрешения конфликтов для двух символов

При этом результат распознавания составил 93,64%. В комбинации с эталонными алгоритмами получилось 94,37% для многослойного персептрона и 95,75% для метода опорных векторов. В то время как результаты эталонных алгоритмов без BDD препроцессинга составили 93,83% и 94,25% соответственно.

В этом случае тесты проводились на всем обучающем множестве для пар этих символов и заняли порядка 6 часов, за счет размеров обучающих множеств. Результаты тестирования представлены в таблице 3.3.1.

  1.  Типы диаграмм

Текущая реализация поддерживает работу с двумя типами диаграмм: классическими бинарными диаграммами решений и бинарными диаграммами решений с подавлением нулей. Идея поддержки работы с последним типом диаграмм исходила из факта, что для некоторых функций лучше подходит (т.е. построение происходит быстрее, памяти расходуется меньше) первый тип, а для некоторых – второй.

Эмпирическим путем установлено, что для диаграмм решений, кодирующих функцию схожести с множеством образцов, лучше подходит все-таки первый тип, так как по ходу обучения, при добавлении нового образца, количество узлов ZDD росло быстрее, чем BDD.  Хотя заметной разницы в скорости построения диаграмм выявлено не было.

В случае же с диаграммой решений, кодирующей множество образцов, как выяснилось, лучше использовать ZDD, что подтверждается и тем, что обучающее множество является разреженным относительно всего пространства признаков, а именно в таких случаях ZDD подходят лучше, чем BDD.   


  1.  Выводы

В результате тестирования было выявлено, что для построения функции схожести с множеством образцов лучше использовать BDD, а для построения самого множества образцов – ZDD.

В случае небольшой размерности пространства признаков, неплохо подходит простейшая схема классификатора на основе BDD, с поиском минимума. В случае недостаточно хорошего результата работы схемы, можно динамически ее наращивать, согласно идеям раздела 2.2.4

В случае большой размерности пространства признаков, можно воспользоваться снижением размерности этого пространства, а затем применить матричную схему. При этом хорошо может работать функция схожести как с минимальным, так и со средним расстоянием.

Кроме того, можно добиться незначительного улучшения качества работы выбранной схемы с помощью комбинирования с одним из классических алгоритмов классификации, согласно способу, описанному в разделе 2.2.5.

Заключение

Проведенные эксперименты показали жизнеспособность идеи применения BDD для алгоритмов классификации. В завершении хочется подчеркнуть, что на алгоритмы классификации на основе BDD можно смотреть с разных точек зрения:

  1. Как на быстрый, самостоятельный инструмент классификации, способный работать с низкоуровневыми признаками (битами)
  2. Как на инструмент для извлечения признаков и последующего их использования другими методами классификации (см. раздел 2.2.5)
  3. Как на инструмент, потенциально способный выдать не только ответ в виде класса для объекта, но и подмножество множества образцов, по которым было принято решение по отнесению объекта к данному классу.  

В рамках проделанной работы были достигнуты следующие результаты:

  1. Разработаны и реализованы алгоритмы построения классификаторов на основе BDD
  2. Создана система тестирования для этих алгоритмов
  3. Проведены тесты на базе MNIST
  4. Исследована эффективность классических BDD и ZDD
  5. Поддержана работа с ZDD в BddFunctions
  6. Поддержана возможность сохранения/загрузки BDD в BddFunctions
  7. Реализована возможность распределенной работы алгоритмов
  8. По результатам работы принята статья на конференцию MLDM 2014 [26].



 Список литературы

  1.  Бугайченко Д.Ю., Соловьев И.П. Библиотека многокорневых бинарных решающих диаграмм BddFunctions и её применение. //Системное программирование. Том 5, вып. 1: Сб. статей / Под ред. А.Н.Терехова, Д.Ю.Булычева. - СПб.: Изд-во СПбГУ, 2010 г. -- С. 190-213.
  2.  Бугайченко Д.Ю. Инструментарий для вероятностной верификации на основе многокорневых диаграмм решений. // Системное программирование. Том 6, вып. 1: Сб. статей / Под ред. А.Н.Терехова, Д.Ю.Булычева. - СПб.: Изд-во СПбГУ, 2011 г. -- С. 95-115.
  3.  Бугайченко Д.Ю. Операции над целочисленными функциями, представленными в виде набора бинарных разрешающих диаграмм. //ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ. 2009. 3. C. 358–365.
  4.  Карпов Ю. Г. Model Checking. Верификация Параллельных и Распределенных Программных Систем. БХВ-Петербург, 2010. С. 552.
  5.  Кнут, Д. Э. Искусство программирования. Том 4, А Комбинаторные алгоритмы. Часть 1. 2013г., С. 242-328. 
  6.  A. Mishchenko, "An introduction to zero-suppressed binary decision diagrams", Technical report, Portland State University, June 2001.
  7.  Bryant, R.E.: Symbolic boolean manipulation with ordered binary-decision diagrams. ACM Computing Surveys 24(3) (1992) 293-318
  8.  Code::Blocks C++ IDE. [Электронный ресурс] – Режим доступа: http://www.codeblocks.org/.
  9.  Google C++ Testing Framework. [Электронный ресурс] – Режим доступа: http://code.google.com/p/googletest/.
  10.  IntelliJ IDEA. [Электронный ресурс] – Режим доступа: http://www.jetbrains.com/idea/
  11.  KryoNet. [Электронный ресурс] – Режим доступа: https://github.com/EsotericSoftware/kryonet
  12.  LeCun, Y., Cortes, C., Burges, C. J.: The MNIST database of handwritten digits. [Электронный ресурс] – Режим доступа: http://yann.lecun.com/exdb/mnist/
  13.  Lind-Nielsen J. BDD Package BuDDy. [Электронный ресурс] – Режим доступа: http://buddy.sourceforge.net.
  14.  Minato, S.i.: Data mining using binary decision diagrams. Synthesis Lectures on Digital Circuits and Systems (2010) 1097
  15.  Minato, S.i.: Techniques of bdd/zdd: Brief history and recent activity. IEICE TRANSACTIONS on Information and Systems 96(7) (2013) 1419-1429
  16.  Minato, S.i.: Zero-Suppressed BDDs for Set Manipulation in Combinatorial Problems.// ACM/IEEE Design Automation Conf. 30 (1993), 272-277.
  17.  Segall, I., Tzoref-Brill, R., Farchi, E.: Using binary decision diagrams for combinatorial test design. In: Proceedings of the 2011 International Symposium on Software Testing and Analysis. ISSTA '11, New York, NY, USA, ACM (2011) 254-264
  18.  Shannon, Claude E.. «The Synthesis of Two-Terminal Switching Circuits». Bell System Technical Journal 28: 59–98.
  19.  Shirai, Y., Tsuruma, K., Sakurai, Y., Oyama, S., Minato, S.i.: Incremental set recommendation based on class di_erences. In: Advances in Knowledge Discover y and Data Mining. Springer (2012) 183-194
  20.  Stefano Quer: The DDDMP package. [Электронный ресурс] – Режим доступа: http://fmgroup.polito.it/quer/research/tool/tool.htm
  21.  Somenzi F. CUDD: Colorado University Decision Diagram Package. [Электронный ресурс] – Режим доступа: http://vlsi.colorado.edu/ fabio/CUDD.
  22.  Toda, T.: Hypergraph transversal computation with binary decision diagrams. In Bonifaci, V., Demetrescu, C., Marchetti-Spaccamela, A., eds.: Experimental Algorithms. Volume 7933 of Lecture Notes in Computer Science. Springer Berlin Heidelberg (2013) 91-102
  23.  Ware, M., Class MultilayerPerceptron. [Электронный ресурс] – Режим доступа: http://weka.sourceforge.net/doc.stable/weka/ classifiers/functions/MultilayerPerceptron.html.
  24.  Weka 3: Data Mining Software in Java. [Электронный ресурс] – Режим доступа: http://www.cs.waikato.ac.nz/ml/weka/index.html
  25.  Yasser EL-Manzalawy, WLSVM. [Электронный ресурс] – Режим доступа: http://www.cs.iastate.edu/~yasser/wlsvm/.
  26.  10th International Conference on Machine Learning and Data Mining MLDM 2014. [Электронный ресурс] – Режим доступа: http://www.mldm.de/

  1.  
  2.  
  3.  
  4.  
  5.  
  6.  
  7.  
  8.  
  9.  
  10.  
  11.  
  12.  

 

А также другие работы, которые могут Вас заинтересовать

83976. Земский собор 1613 года и восстановление самодержавия 137.01 KB
  Задачи: Образовательные: закрепить знания о последствиях Смуты; продолжить учить самостоятельной работе с историческими источниками: сравнивать и анализировать информацию делать умозаключения и выводы; учить использованию фактов и статического материала с их помощью обобщать материал...
83977. Правописание парных согласных на конце слова 83 KB
  Какое задание предстоит выполнить Посигнальте карточками кому всё понятно Давайте проверим в каких словах нашли ошибки Посмотрите на слайд и обведите зелёной ручкой те которые нашли самостоятельно Сколько всего допущено ошибок Это первое задание. Это второе задание. Посигнальте если задание понятно.
83978. Великое княжество Литовское и Русское 109.5 KB
  Цель урока: формирование у обучающихся знаний об условиях и процессе возвышения Великого княжества Литовского и Русского Задачи урока. Образовательные: проследить исторические условия и процесс возвышения Великого княжества Литовского выявит взаимосвязь между формированием государственности...
83979. Наталья Абрамцева «О чём думал котёнок?» 28.41 KB
  Цель урока: Раскрыть нравственный замысел Н.Абрамцевой в сказке О чём думал котёнок Задачи: 1. О ком эта загадка Вам не показалось странным почему когда мы говорим о дружбе у нас здесь котёнок У кого из вас есть такой друг.
83980. Роберт Бёрнс – народный поэт 18.05 KB
  Цели: обучающие: формирование у учащихся представления об особенностях английской поэзии закрепление знаний по теории литературы; развивающие: развитие умения выполнять сопоставительный анализ произведений различных по жанру (именно по фольклору), развивать навык работы с информационным...
83981. Всемирное наследие человечества 62 KB
  Педагогическая цель: знакомство с объектами Всемирного наследия, показ красоты и неповторимости великих достопримечательностей Задачи: проверить знание экологического календаря; познакомить с понятием всемирное наследие, эмблемой организации Всемирное наследие, с наиболее известными мировыми...
83982. Возникновение ислама и объединение арабов 18.27 KB
  Сегодня на уроке мы постараемся выяснить причины образования государства у арабов: узнаем о природных условиях Аравийского полуострова занятиях верованиях арабов появлении Мухаммеда и возникновении ислама. Изучение нового материала 8 Учитель начинает рассказ о местах первоначального...
83983. Взаимное расположение графиков линейных функций 23.28 KB
  Цели урока: ввести условия пересечения и параллельности графиков линейных функций; отработать умение строить графики линейной функции и прямой пропорциональности; развивать: 1 умение сравнивать выявлять закономерности обобщать; 2 познавательный интерес к предмету; 3 творческие способности учащихся...
83984. Главные члены предложения. Подлежащее и сказуемое 85.5 KB
  Тема урока: Главные члены предложения. Цель: создать условия для знакомства с существенными признаками главных членов предложения способствовать развитию умения определять главные члены в предложении развитию памяти внимания логического мышления устной и письменной речи формированию навыков грамотного письма создать условия для формирования активности социальной роли ученика. Предметные: находить главные члены основу предложения; обозначать графически грамматическую основу. Планируемые результаты: Предметные: находить основу ...