Man braucht zunächst eine Matrix mit Trainingsmustern. Ein einzelnes Muster besteht aus einem Vektor, die Vektoren zusammen ergeben dann die Muster-Matrix. Zu jedem Muster gehört zusätzlich eine Klassifizierung, bei binären Problemen (“Ist vom Muster vom A oder B?”) ist dies im Allgemeinen 1 oder 0. Somit hat man als Zielmatrix einen transponierten Vektor, für jedes Muster ein Klassifizierungswert 1 oder 0. Eine neue Instanz eine neuronalen Netzes erhält man durch:

net = newff(MusterMatrix,ZielMatrix, [10 2], {'logsig','logsig'},'trainrp','learngdm','mse');

Die ersten beiden Parameter geben somit die Muster und ihre Klassifizierung an. Man kann hierfür auch zusätzlich die Testdaten nehmen, die Muster werden in diesem Schritt nur benötigt, um die Größe der Eingabeschicht zu ermitteln, Werte zu normalisieren und eventuell die Koordinate, für die Werte in jedem Muster gleich ist, zu ignorieren (in diesem Fall wird keine Verbindung zur verdeckten Schicht erstellt).
Der dritte Paramter ist ein Zeilenvektor, in diesem Beispiel (10 2). dieser spezifiziert die Anzahl der verdeckten Schichten. Eingabeschicht und Ausgabeschicht werden wie bereits erwähnt automatisch anhand der Muster und der Sollklassifizierung ermittelt. Mit (10, 2) würde man zum Beispiel 2 verdeckte Schichten mit 10 bzw. 2 Neuronen erstellen.
Der nächste Parmater ist ein Cellarray und spezifiziert die zu nutzende Aktivierungsfunktion für jedes Netz. Die logistische Funktion (logsig) ist meist die Regel bei neuroanlen Netzen.
Dann folgenden noch 3 Strings, die Trainingsfunktion, die Lernfunktion und die Fehlerfunktion, am gebräuchlichsten ist wohl der mittlere quadratische Fehler (mse). Als Trainingsfunktion bevorzuge ich persönliche Resilient Backpropagation (trainrp), sie bezieht die Historie des Fehlergradienten mit ein und ist in der Regel performanter als Standard-Backpropagation. Standardmäßig ist die Trainingsfunktion in der Toolbox jedoch Levenberg-Marquardt Backpropagation (trainlm).
Damit hat man ein Netz erstellt, dass nun trainiert werden soll, dazu benutzt man ganz einfach train:

net = train(net,MusterMatrix,ZielMatrix);

Dabei sollte man natürlich nur Trainingsdaten nehmen. Es öffnet sich ein Fenster, dass Fortschritt und Performanz in jeder Iteration anzeigt. Anschließend kann man das Netz testen, oder für einzelne Muster auswerten:

out = sim(net, TestDaten);

out enthält anschließend vorhergesagte Werte.
Vor dem Training kann man auch noch einige Anpassungen vornehmen, z.B.

net.trainParam.showWindow = 0; % Gui nicht anzeigen, hilfreich bei automatischen tests
net.trainParam.lr = 0.1;              % Lernarte ändern
net.trainParam.epochs = 100;      % Anzahl der Trainigsdurchläufe
net.trainParam.goal = 1e-3;         % Abbruchbedingung bezüglich Fehler

Auch für das Netz kann man zahlreiche Änderungen vornehmen, wenn man zum Beispiel nicht will, dass gleiche Werte in den Mustern ignoriert werden und trotzdem Verbindungen zur verdeckten Schicht erstellt werden, kann mal folgendes machen:

ipf = {};
tpf = {};
ddf = 'dividerand';
net = newff(MusterMatrix,ZielMatrix, [10 2], {'logsig','logsig'},'trainrp','learngdm','mse',ipf,tpf,ddf);

Zur Bestimmung der Qualität erstellter Netze gibt es noch einige weitere Tools, Stichwort rocplot.
Kleiner Wehrmutstropfen ist, dass die Neural Network Toolbox manchmal sehr knapp dokumentiert ist, vor allem wenn es um kleine Parameter geht. Auch google hilft einem nicht immer weiter. Oft hilft nur probieren und mal in den Quellcode schauen.
Nichts desto trotz ist es eine mächtige Toolbox, man kann viele Netzarten und -architekturen realisieren, wie z.B. Input-Time-Deay-Netze, Elman-Netze, rekurrente Netze. Und dabei kann man vieles selber nach eigenen Bedürfnissen anpassen, ohne dass man eine komplett neue Software schreiben muss.

Zunächst hat Dr. Richard Durbin, ein ziemlich bekannter Bioinformatiker vom Trust Sanger Institute, einen Vortrag über “Studying human genetic variation by whole genome sequencing” gehalten. Dabei gings vor allem um das 1000 Genomes Project,  2009 sollen hier bereits 3 Populationen je 400 Menschen sequenziert worden sein. Besonders interessant, dass man anhand der genetischen Information (es wurde vor allem die Variation betrachtet, SNPs, das Finden einer korrekten Sequenz stand nicht im Mittelpunkt) und einen Hidden Markov Models Wanderungsbewegungen und Falschenhälse der Vergangenheit identifizieren kann.

Dann hat noch Adrian Briggs in Vertretung für Sven Pääbo, vom Max Planck Institut für evolutionäre Anthropologie, einen sehr interessanten Vortrag “A Neadertal perspective on human origins” gehalten. Hier wurde aus verschiedenen Neadertaler-Knochen Proben entnommen und nach aufwändigen Reinigungs-, Filter- und Rekonstruktionsprozessen stark fragmentierte DNA gewonnen, die man tatsächlich noch sequenzieren konnte.

Am spannendsten fand ich persönlich den Vortrag von Stephan C. Schuster, von der Pennsylvania University, “Genomics of extinct und endangered species”. Zunächst wurden hier eine ausgestorbene Tierarten sequenziert, Tylacine, Mammuts, Whooly Rhino und Moa. Realsiert wurde das ganze über Haare, Horn und /oder  Hufe, die man aus Museen bekam. Es konnte z.B. festgestellt werden, dass es wohl zwei Unterarten von Mammuts gab, die sich morphologisch wohl nicht trennen ließen. Zuletzt wurde dann noch das Tasmanian Devil Sequencing Project vorgestellt. Die vom Aussterben bedrohten Tasmanischen Teufel leiden unter der bislang mysteriösen Devil facial tumour disease, deren Ursachen lange Zeit unbekannt und umstritten waren. Die Population wurde in den letzten Jahren dadurch beträchtlich dezimiert. DFTD ist nach neusten Erkenntnissen eine übertragbare, parasitäre Krebserkrankung, was eine Seltenheit gibt, denn es gibt daneben nur noch einen anderen bekannten übertragbaren Krebs. Die Ergebnisse der Sequenzierung legen laut Schuster nahe, dass die Ursache für die rasche Verbreitung ein Mangel an genetischer Diversität ist, der die Tiere anfällig macht. Außerdem fanden sie Subpopulationen, die eine höhere Diversität aufweisen und gegen DFTD eine gewisse Resistenz aufweisen. Demnach seien die Chancen gut, dass DFTD nicht alle Tasmanischen Teufel befallen wird und ein Fortbestand der Art möglich ist. Außerdem wurde die Vermutung geäußert dass es sich hierbei um eine natürliche Populationsschwankung handeln könnte, die in einer bestimmten Frequenz auftritt.

Tuz - Im nächsten Linux Kernel löst er einmalig den Pinguin ab.

Nebenbei will auch Linus Torvalds auf das Schicksal der Tasmanischen Teufel aufmerksam machen, so soll im Linux Kernel 2.6.29 der Tasmanische Teufel unter den Namen Tuz die Funktion des Linux Maskottchen übernehmen, der bereits auf der Linux Konferenz in Australien als Maskottchen gedient hat. Aufällig ist hier der aufgesetzte Pappschnabel, der als Metapher für das durch DFTD entstellte Gesicht des Tasmansichen Teufels dienen soll.

Für ein wenig Schmunzeln in der anschließenden Fragerunde sorgte das Auftreten des Intelligent-Design-Anhängers Wolf-Ekkehard Lönnig, der versuchte, die Belege für die Kälteanpassung der Mammuts in Frage zu stellen.

Britischer Autor zeigt Errungenschaften seiner Tiefseeexpedition

Nach  zwei weiteren Vorträgen, las zum Schluss noch der britische Autor Redmond O’Hanlon aus seinem Buch “Trawler” und zeigte ein paar Dias seiner Tiefseeexpedition.

Gerne hätte ich mir noch Donnerstags und Freitags ein paar Vorträge angehört, aber dafür fehlte mir leider die Zeit.