מבוא לבינה מלאכותית RB40-04T : ,תרגיל כיתה רשתות נוירונים חלק 2
תרגיל 1 :
חלק א
נתון קובץ האקסל הבא : ENB2012_data
המחקר Energy Efficiency בודק כיצד המבנה הגיאומטרי של בניין משפיע על צריכת האנרגיה הדרושה לחימום ולקירור שלו
nergy analysis using 12 different building shapes simulated in Ecotect. The buildings differ with respect to the glazing area, the glazing area distribution, and the orientation, amongst other parameters. We simulate various settings as functions of the afore-mentioned characteristics to obtain 768 building shapes. The dataset comprises 768 samples and 8 features, aiming to predict two real valued responses. It can also be used as a multi-class classification problem if the response is rounded to the nearest integer.
מקרא של העמודות שימו לב
| Variable Name | Role | Type | Description | Units | Missing Values |
|---|---|---|---|---|---|
| X1 | Feature | Continuous | Relative Compactness | no | |
| X2 | Feature | Continuous | Surface Area | no | |
| X3 | Feature | Continuous | Wall Area | no | |
| X4 | Feature | Continuous | Roof Area | no | |
| X5 | Feature | Continuous | Overall Height | no | |
| X6 | Feature | Integer | Orientation | no | |
| X7 | Feature | Continuous | Glazing Area | no | |
| X8 | Feature | Integer | Glazing Area Distribution | no | |
| Y1 | Target | Continuous | Heating Load | no | |
| Y2 | Target | Continuous | Cooling Load | no |
- בעזרת CHATGPT נתח את הנתונים
- מה הם משתני הקלט , מה מייצגת כל עמודה
- כמה נתונים יש
- המחקר Energy Efficiency בודק כיצד מה הוא בדוק ?
- בדוק בעזרת CHATGPT, קשרים סטטיסטיים, לאמן ANN ולבחון אם המודל מצליח לחזות תכונה פיזיקלית.
חלק ב
נתון קובץ האקסל הבא : ENB2012_data
תרגול רשת מתקדמת ANN – תרגיל 2
חיזוי עומסי חימום וקירור בבניינים באמצעות Deep Learning ו־Regression
מטרת התרגיל
בניית רשת נוירונים מלאכותית מסוג ANN המקבלת 8 Features המתארים מבנה בניין ומחזירה 2 Predictions:
-
Y1 – Heating Load: עומס החימום הנדרש לבניין.
-
Y2 – Cooling Load: עומס הקירור הנדרש לבניין.
התרגיל מבוסס על מאגר Energy Efficiency, הכולל 768 דגימות תקינות.
1. מקרא המשתנים
| משתנה | תפקיד | סוג | תיאור |
|---|---|---|---|
| X1 | Feature | Continuous | Relative Compactness |
| X2 | Feature | Continuous | Surface Area |
| X3 | Feature | Continuous | Wall Area |
| X4 | Feature | Continuous | Roof Area |
| X5 | Feature | Continuous | Overall Height |
| X6 | Feature | Integer | Orientation |
| X7 | Feature | Continuous | Glazing Area |
| X8 | Feature | Integer | Glazing Area Distribution |
| Y1 | Target | Continuous | Heating Load |
| Y2 | Target | Continuous | Cooling Load |
לפי תיאור מאגר המשתנים, לא קיימים ערכים חסרים בדגימות התקינות. בקובץ ה־CSV שסופק מופיעות גם שורות ריקות, ולכן יש להסירן לפני האימון.
2. שלבי העבודה ב־Google Colab
תזכורת
MSE הוא סוג של Cost Function וגם יכול להיות Loss Function.
מה ההבדל?
-
Loss Function – מודדת את השגיאה של תחזית המודל, לרוב עבור דגימה בודדת.
-
Cost Function – מודדת את השגיאה הכוללת של המודל על פני מספר דגימות, בדרך כלל כממוצע
-
העלאת קובץ CSV ממחשב ה־PC באמצעות
files.upload(). -
טעינת הנתונים באמצעות
Pandasוניקוי שורות ריקות. -
הצגת מפת חום (Correlation Heatmap) לבדיקת הקשרים בין המשתנים.
-
הפרדת 8 Features משני ה־Targets.
-
חלוקת הנתונים: 70% Train, 15% Validation, 15% Test.
-
בניית ואימון רשת ANN.
-
הצגת גרף
Training LossמולValidation Loss. -
שמירת המודל וקובץ נתוני ה־Scaling והורדתם למחשב ה־PC.
-
טעינה מחדש של המודל בקוד נפרד ובדיקה על 10 דגימות מקבוצת ה־Test.
11. הציגו את גרף האימון, את מפת החום ואת טבלת עשר התחזיות. השוו בין הערכים האמיתיים (Actual) לבין הערכים שהמודל חזה (Predicted).
12.חשבו את ממוצע השגיאה המוחלטת (MSE) לכל אחד משני יעדי החיזוי בנפרד, והסבירו האם הרשת הצליחה לחזות היטב את עומסי החימום והקירור.
13. תוצר סופי: רשת ANN מאומנת, שני קבצים שמורים במחשב, גרפי ניתוח וטבלה עם עשר תחזיות והשגיאות שלהן.
About the Author
