W MATLAB-ie dostępnych jest szereg narzędzi i aplikacji umożliwiających projektowanie, budowanie oraz trenowanie sieci neuronowych. Jednym z pierwszych narzędzi, które warto poznać, jest Neural Net Fitting Tool, uruchamiane za pomocą polecenia nnstart w oknie poleceń. Po jego otwarciu użytkownik ma dostęp do płytkiej sieci neuronowej składającej się z dwóch warstw: ukrytej oraz wyjściowej. Ta aplikacja pozwala na tworzenie sieci neuronowych na podstawie zaimportowanych danych lub danych dostarczonych przez użytkownika. Istnieje także bardziej zaawansowane narzędzie – Deep Network Designer, które oferuje szersze możliwości w zakresie algorytmów głębokiego uczenia.

Aby otworzyć aplikację Deep Network Designer, należy kliknąć ikonę APPS w oknie MATLAB-a i przejść do kategorii „MACHINE LEARNING AND DEEP LEARNING”. Alternatywnie, aplikację można uruchomić, wpisując w oknie poleceń komendę deepNetworkDesigner. Po uruchomieniu użytkownik otrzymuje dostęp do szerokiego zestawu narzędzi umożliwiających projektowanie sieci głębokich, gdzie główną zaletą jest prostota i szybkość procesu budowania modelu. W aplikacji tej użytkownicy mogą dodawać warstwy z biblioteki warstw znajdującej się w lewym panelu, tworząc w ten sposób sieci neuronowe o niestandardowej strukturze.

Deep Network Designer oferuje także szeroki wybór gotowych modeli, które można zaadoptować do własnych potrzeb. Przykładem może być model Sequence-to-Label, przeznaczony do klasyfikacji sekwencyjnych danych, w którym sieć składa się z sześciu warstw, w tym wejściowej i wyjściowej. Użytkownicy mogą dostosować te modele, co pozwala zaoszczędzić czas, eliminując konieczność trenowania sieci od podstaw na ogromnych zbiorach danych. Gotowe modele są dostępne w różnych grupach, takich jak sieci obrazów, sekwencji i dźwięku.

Główne korzyści płynące z używania aplikacji Deep Network Designer to: dostępność interfejsów graficznych, które przyspieszają proces projektowania, możliwość modyfikowania istniejących struktur sieci oraz brak konieczności angażowania dużych fragmentów kodu, co może być uciążliwe dla początkujących użytkowników. Dzięki tym narzędziom osoby uczące się głębokiego uczenia mogą w łatwy sposób eksperymentować z sieciami, jednocześnie zdobywając niezbędną wiedzę.

Niemniej jednak, korzystanie z aplikacji ma swoje wady. Główną trudnością jest brak pełnej przejrzystości w tym, co dzieje się wewnątrz warstw sieci. Użytkownicy nie mają pełnej kontroli nad tym, jak dokładnie wyglądają operacje w każdej z warstw, co może stanowić utrudnienie w bardziej zaawansowanej pracy nad sieciami. Aby zniwelować te niedogodności, MATLAB oferuje funkcję generowania kodu, dzięki której użytkownicy mogą przejść od interfejsu graficznego do czystego kodu MATLAB, co pozwala na lepsze zrozumienie procesów zachodzących w sieci. Ponadto dostępne są funkcje pozwalające na ręczne projektowanie i trenowanie sieci za pomocą kodu, co daje większą elastyczność, ale wymaga również większej wiedzy technicznej.

W MATLAB-ie dostępne są również funkcje związane z trenowaniem sieci neuronowych. Do najpopularniejszych z nich należy fitnet(), który służy do trenowania sieci neuronowej, fitrnet(), przeznaczony do regresji, oraz fitcnet(), stosowany do klasyfikacji. Funkcje te umożliwiają dostosowanie sieci do konkretnego zadania, zapewniając odpowiednią elastyczność. Istotnym elementem każdego procesu trenowania sieci jest dobór odpowiednich danych treningowych, które pozwalają na uzyskanie oczekiwanych wyników. Po przeszkoleniu sieci na tych danych, użytkownik może generować przewidywania dla nowych danych, co stanowi kluczową funkcję w aplikacjach uczenia maszynowego.

Ponadto, MATLAB umożliwia tworzenie sieci neuronowych przy użyciu funkcji takich jak fitnet(), które pozwalają na łatwe projektowanie sieci o określonej liczbie warstw ukrytych. Warto zaznaczyć, że sieci neuronowe, mimo swojej prostoty, są w stanie aproksymować złożone funkcje i rozwiązywać trudne problemy. Wybór odpowiednich parametrów sieci, takich jak liczba neuronów w warstwach ukrytych, jest kluczowy dla osiągnięcia wysokiej jakości wyników. MATLAB dostarcza również narzędzi do oceny jakości trenowanej sieci, takich jak funkcje do obliczania błędu sieci i jej dokładności.

Projektowanie, budowanie i trenowanie sieci neuronowych w MATLAB-ie jest procesem, który z jednej strony umożliwia szybkie prototypowanie i testowanie różnych struktur sieci, a z drugiej strony wymaga zrozumienia technicznych aspektów działania tych narzędzi. Używanie aplikacji graficznych może znacznie uprościć proces projektowania, ale dla osób dążących do głębszego zrozumienia algorytmów głębokiego uczenia, korzystanie z funkcji kodu stanowi niezbędny krok w dalszym rozwoju umiejętności.

Jakie funkcje i warstwy są kluczowe w budowie sieci neuronowych w MATLABie?

W rozwoju sieci neuronowych w MATLABie, kluczową rolę odgrywają różne funkcje oraz warstwy, które umożliwiają tworzenie, trenowanie i testowanie modeli. Zrozumienie każdego elementu tego procesu pozwala na efektywne wykorzystanie dostępnych narzędzi i optymalizację działania sieci.

Pierwszym, istotnym elementem, który pojawia się w kontekście sieci neuronowych, jest warstwa Softmax. Funkcja ta jest używana w ostatniej warstwie sieci, przekształcając jej wyjścia w przewidywane klasy lub wartości klasyfikacyjne. Umożliwia to zrozumienie, do jakiej klasy należy dany przykład na podstawie danych wejściowych. Wyjściowa warstwa natomiast jest odpowiedzialna za przypisanie etykiet klas do tych przewidywanych wyników.

Równocześnie nie sposób pominąć znaczenia warstw ukrytych (hidden layers), które stanowią serce każdej sieci neuronowej. Zwykle są one odpowiedzialne za wyodrębnianie cech i wzorców z danych wejściowych. Złożoność sieci może wzrastać, w miarę jak dodajemy kolejne warstwy, zwiększając w ten sposób jej zdolność do modelowania bardziej skomplikowanych zależności. Kluczowe jest dobranie odpowiedniej liczby warstw ukrytych oraz liczby neuronów w każdej z nich, co zależy od charakterystyki problemu oraz danych, na których sieć będzie pracować.

Ważnym narzędziem w MATLABie do tworzenia sieci neuronowych jest funkcja feedforwardnet(), która pozwala na szybkie zbudowanie sieci neuronowej typu feedforward. Konstruktor tej funkcji przyjmuje dwa argumenty: rozmiar warstwy ukrytej i funkcję treningową. Dzięki tej funkcji można stworzyć sieć, która będzie miała dowolną liczbę neuronów w warstwach ukrytych, co pozwala na elastyczne dopasowanie struktury sieci do wymagań konkretnego zadania.

Kolejną funkcją, która jest szeroko wykorzystywana, jest trainNetwork(). Funkcja ta umożliwia trenowanie sieci neuronowych na różnych typach danych, takich jak obrazy, sekwencje czy cechy. W zależności od celu, do którego jest używana sieć (klasyfikacja czy regresja), zmieniają się odpowiednie parametry, takie jak odpowiedzi (responses), które mogą przyjmować formę etykiet klasowych lub wartości liczbowych. Funkcja ta jest niezwykle elastyczna, umożliwiając również łatwe monitorowanie procesu uczenia poprzez generowanie wykresów postępu treningu oraz kontrolowanie różnych aspektów procesu za pomocą parametrów, takich jak rozmiar wsadu (MiniBatchSize) czy liczba epok (MaxEpochs).

Dodatkowo, MATLAB oferuje funkcję trainnet(), która służy do trenowania bardziej złożonych sieci głębokich. Dzięki niej można dostosować sieć do różnych typów danych wejściowych, takich jak obrazy, sekwencje czasowe czy dane tabelaryczne. Istotną cechą tej funkcji jest możliwość definiowania funkcji straty (lossFcn), co pozwala na precyzyjne dostosowanie procesu uczenia do specyfiki zadania.

Aby wspomóc proces treningu, MATLAB oferuje również trainingOptions(), która pozwala na precyzyjne określenie ustawień treningowych. Dzięki tej funkcji użytkownicy mogą określić, jakie opcje mają być stosowane w trakcie treningu, takie jak liczba epok, metryki oceny modelu (np. dokładność), czy też częstotliwość walidacji. Prawidłowe ustawienie opcji treningowych może znacząco wpłynąć na efektywność procesu uczenia oraz na jakość wyników końcowych.

Jednym z bardziej zaawansowanych typów warstw wejściowych jest sequenceInputLayer(), która jest szczególnie użyteczna przy przetwarzaniu sekwencyjnych danych, takich jak dane czasowe lub tekstowe. Funkcja ta przyjmuje rozmiar wejścia jako argument, co pozwala na precyzyjne dopasowanie liczby neuronów w warstwie wejściowej do rodzaju przetwarzanych danych. Sekwencyjność danych wprowadza dodatkową złożoność, która wymaga zastosowania bardziej wyspecjalizowanych warstw, takich jak LSTM (Long Short-Term Memory), które umożliwiają sieciom uchwycenie długoterminowych zależności w danych.

Warto również zwrócić uwagę na inne warstwy wejściowe, które mogą być używane w zależności od specyfiki problemu. Dla danych obrazowych odpowiednie będą funkcje takie jak imageInputLayer() lub image3dInputLayer(), z kolei dla danych tabularnych lepiej sprawdzą się warstwy typu featureInputLayer(). Dzięki elastyczności tych warstw, sieci neuronowe mogą być dostosowane do szerokiego zakresu zastosowań, od klasyfikacji obrazów po analizę szeregów czasowych.

Ważne jest, aby przy tworzeniu sieci neuronowych zwrócić szczególną uwagę na odpowiednią konfigurację warstw, dobór funkcji aktywacji oraz parametrów uczenia. Należy pamiętać, że odpowiedni dobór struktury sieci, liczby warstw oraz neuronów w warstwach ukrytych zależy nie tylko od typu danych, ale także od specyfiki problemu, który chcemy rozwiązać. Sieci głębokie, choć potężne, mogą wymagać dużych zasobów obliczeniowych i staranności w procesie trenowania, a ich efektywność zależy od wielu czynników, takich jak jakość danych, dobór funkcji aktywacji, czy dobór funkcji straty.

Czy możliwe jest odkrywanie ukrytych reguł i wzorców bez nadzoru człowieka?

Uczenie nienadzorowane stanowi jeden z dwóch głównych filarów współczesnego uczenia maszynowego i sztucznej inteligencji. W przeciwieństwie do uczenia nadzorowanego, w którym modele uczą się na podstawie danych oznakowanych — czyli takich, które zawierają zarówno dane wejściowe, jak i oczekiwane odpowiedzi — uczenie nienadzorowane operuje wyłącznie na danych nieopisanych, pozbawionych etykiet. Model samodzielnie wydobywa z nich ukryte wzorce, zależności i reguły, często takie, które umykają ludzkiemu poznaniu z powodu ich złożoności lub subtelności.

Jednym z najbardziej praktycznych zastosowań tego rodzaju algorytmów jest analiza asocjacyjna, której celem jest odkrywanie reguł rządzących współwystępowaniem elementów w zbiorze danych. Znanym narzędziem w tej dziedzinie jest algorytm Apriori, wykorzystywany między innymi do eksploracji koszyków zakupowych, segmentacji pacjentów w medycynie czy analizy zachowań użytkowników w sieci. Analiza częstości współwystępowania zbiorów elementów pozwala na wydobycie reguł asocjacyjnych, a następnie — na oszacowanie ich wsparcia i ufności, co stanowi podstawę do podejmowania decyzji.

Jeśli dane wskazują, że zestaw trzech elementów, takich jak glukoza, BMI i wynik, występują wspólnie pięć razy, a para glukoza-BMI pojawia się dziesięć razy, to ufność reguły "jeśli glukoza i BMI, to wynik" wynosi 50%. Przyjęcie wartości 50% jako dolnej granicy pozwala traktować taką zależność jako znaczącą. W praktyce oznacza to, że z każdej dziesiątki przypadków, w których występuje kombinacja glukoza-BMI, w pięciu pojawia się również konkretny wynik. Takie reguły mogą mieć zastosowanie zarówno w analizie medycznej, jak i w marketingu predykcyjnym.

Zaletą uczenia nienadzorowanego jest jego zdolność do pracy z danymi nieoznakowanymi, których często jest znacznie więcej niż danych oznakowanych. W obliczu rosnących wolumenów informacji, szczególnie w kontekście tzw. big data, zdolność do samoorganizacji i samodzielnego wydobywania struktury z chaosu staje się nie tylko przydatna, ale i niezbędna. Algorytmy nienadzorowane potrafią klasyfikować dane, tworzyć reguły, identyfikować anomalie, a nawet proponować nowe, niestandardowe rozwiązania problemów — takie, które mogą zaskakiwać swoją oryginalnością nawet ekspertów.

Ważne jest jednak, by nie idealizować tego podejścia. Modele nienadzorowane nie posiadają punktu odniesienia w postaci poprawnych odpowiedzi, co utrudnia walidację ich rezultatów. Ostateczna ocena modelu często wymaga interwencji człowieka, specjalisty dziedzinowego, który może zweryfikować, czy wydobyte wzorce mają sens praktyczny. Dodatkowo, złożoność obliczeniowa rośnie wraz z rozmiarem danych, a czas uczenia i koszt wdrożenia modeli może przewyższać rozwiązania nadzorowane.

Pomimo tych trudności, uczenie nienadzorowane znajduje zastosowanie w wielu obszarach: od segmentacji klientów, przez wykrywanie oszustw, aż po rozpoznawanie mowy czy rekomendacje produktów. Klasteryzacja — dzielenie zbioru danych na grupy o podobnych ce

Jakie są różnice i zastosowania między modelowym a bezmodelowym uczeniem ze wzmocnieniem?

Uczenie ze wzmocnieniem (Reinforcement Learning, RL) w kontekście systemów decyzyjnych bazuje na relacjach między stanami, działaniami i nagrodami w danym środowisku. Wśród podejść do RL wyróżniamy dwie główne kategorie: modelowe i bezmodelowe, które różnią się fundamentalnie sposobem, w jaki system uczy się optymalnego zachowania.

W podejściach modelowych, podobnie jak w nowoczesnych systemach sterowania, system najpierw stara się zbudować wewnętrzny model środowiska. Model ten opisuje przejścia między stanami oraz natychmiastowe wyniki działań, tworząc swoisty model Markowa (Markov Decision Process). Na tej podstawie system planuje działania, przeszukując dostępne opcje i oceniając ich skutki. Budowa takiego modelu wymaga jednak dodatkowych kroków — zbierania danych, aktualizacji modelu wraz z nową wiedzą oraz wykorzystania go do symulacji przyszłych stanów. Zaletą tego podejścia jest mniejsza ilość prób i błędów potrzebna do nauki, ponieważ system dysponuje już pewnym zrozumieniem zasad działania środowiska. Jednakże proces podejmowania decyzji może być wolniejszy, gdyż każda decyzja jest weryfikowana względem wewnętrznego modelu.

Modelowe uczenie ze wzmocnieniem dzieli się na dwa podstawowe warianty: naukę modelu na podstawie danych oraz wykorzystanie już istniejącego, danego modelu. W pierwszym przypadku, system obserwuje trajektorie działań (np. na podstawie losowej lub bazowej polityki), a następnie uczy się modelu dynamicznego, minimalizując błąd predykcji kolejnych stanów. Do tego wykorzystuje się często metody nadzorowanego uczenia, optymalizujące funkcję kosztu, która mierzy odległość od celu oraz nakład pracy. Przykłady takich podejść to modele świata oparte na zmiennych autoenkoderach, które umożliwiają agentowi "uczenie się na własnych snach", hybrydowe metody Imagination-Augmented Agents (I2A), które łączą modelowe i bezmodelowe podejścia, czy metody Model-Based Value Expansion (MBVE) ograniczające niepewność predykcji poprzez kontrolę głębokości "wyobrażeń" przyszłych stanów. Z kolei metody wykorzystujące dany model, jak słynny AlphaZero, potrafią samodzielnie odkrywać optymalne strategie poprzez samodzielną grę i analizę symulacji, bez konieczności ludzkiego nadzoru.

W praktyce, modelowe RL znajduje zastosowanie tam, gdzie możliwe jest stworzenie relatywnie dokładnego modelu środowiska — na przykład w sterowaniu robotami. Agent modelowy buduje mapę otoczenia i symuluje różne scenariusze działania, co pozwala na efektywne planowanie ruchów, oszczędzając czas i zmniejszając ryzyko błędów podczas rzeczywistych prób. Wyzwania pojawiają się jednak w przypadku skomplikowanych i dynamicznych środowisk, gdzie niedokładności modelu (tzw. model bias) mogą prowadzić do błędnych decyzji.

Zupełnie inaczej działa uczenie bezmodelowe, które rezygnuje z próby zrozumienia dynamiki środowiska. Zamiast tego, system uczy się optymalnej polityki bezpośrednio na podstawie obserwacji skutków swoich działań, wykorzystując metodę prób i błędów. Agent nie buduje żadnego modelu przejść ani funkcji nagród; uczy się wyłącznie z doświadczenia, co czyni go szczególnie użytecznym w środowiskach, których dynamika jest nieznana lub zbyt złożona, by stworzyć dokładny model. W efekcie, chociaż uczenie bezmodelowe może zaoszczędzić czas na etapie budowania modelu, wymaga znacznie większej liczby interakcji z otoczeniem, by osiągnąć porównywalną skuteczność. Co więcej, bezmodelowe metody są mniej efektywne statystycznie, gdyż bazują na pośrednich, często niedokładnych oszacowaniach wartości stanów, a nie na bezpośrednim modelu środowiska.

Ostateczny wybór między podejściem modelowym a bezmodelowym zależy od specyfiki problemu oraz dostępnych zasobów. Modelowe metody są bardziej efektywne i pozwalają na planowanie, ale są podatne na błędy modelu i mogą wymagać dużej mocy obliczeniowej. Bezmłowe są prostsze i bardziej odporne na błędy modelu, lecz wolniej się uczą i potrzebują więcej danych.

Ponadto, ważne jest zrozumienie, że granica między tymi dwoma podejściami jest płynna. Powstają hybrydowe metody, które wykorzystują zalety obu światów — uczą się modelu, ale korzystają też z bezmodelowych technik dla poprawy efektywności i stabilności nauki. Taki miks pozwala na zwiększenie elastyczności systemów RL, dostosowując się do złożoności i nieprzewidywalności rzeczywistych środowisk.

Kluczową kwestią, którą należy mieć na uwadze, jest również wpływ jakości i dokładności modelu na końcową skuteczność systemu. Nawet najlepsze algorytmy nie poradzą sobie, jeśli model środowiska będzie znacząco odbiegał od rzeczywistości. Dlatego, oprócz samych algorytmów, ogromne znaczenie ma również metodyka zbierania danych, walidacji i ciągłej aktualizacji modeli.

Jak ANFIS może przewidywać ceny akcji: Zastosowanie w praktyce

Kroki 8 do 10 w projekcie służą do uzyskania i normalizacji zestawu danych testowych. Pierwszym zadaniem jest pobranie wszystkich kolumn z zestawu danych testowych. Kolejnym krokiem jest normalizacja tych danych, aby zapewnić ich jednolitą skalę, co jest istotne w kontekście algorytmów sztucznej inteligencji, w tym ANFIS. Po tym etapie, tworzymy macierz wejściową z tych danych i uruchamiamy wytrenowany model, aby uzyskać przewidywaną wartość, czyli cenę zamknięcia akcji. Wynik tej analizy przypisujemy do lokalnej zmiennej, np. foutput.

Aby porównać przewidywane ceny akcji z rzeczywistymi, uruchamiamy funkcję plot() i wyświetlamy wynik w postaci wykresu, co pozwala na wizualną ocenę skuteczności modelu. Proces treningu wyświetlany jest w oknie poleceń, pokazując minimalne wartości RMSE (Root Mean Square Error) zarówno dla danych treningowych, jak i testowych. Przykład z wynikami treningu może wyglądać następująco:

diff
ANFIS info:
- Liczba węzłów: 193
- Liczba parametrów liniowych: 405
- Liczba parametrów nieliniowych: 48
- Całkowita liczba parametrów: 453
- Liczba par danych treningowych: 600
- Liczba par danych testowych: 600
- Liczba reguł rozmytych: 81

Dalszy proces polega na śledzeniu postępu treningu modelu, gdzie w każdej epoce wartości RMSE zarówno dla danych treningowych, jak i testowych są stopniowo minimalizowane. Proces ten pozwala na uzyskanie dokładnych wyników, które są następnie porównywane z rzeczywistymi cenami akcji. Ostateczny wynik pokazuje, że przewidywane ceny są bardzo zbliżone do rzeczywistych, co potwierdza skuteczność modelu.

Po zakończeniu procesu treningu, końcowy plik skryptu, np. Stock_Train_Eval_Func.m, jest dostępny do pobrania na stronie internetowej projektu, co umożliwia dalszą pracę nad rozwojem projektu lub adaptację tej metody do innych zastosowań.

Ważnym aspektem w zastosowaniu ANFIS w analizie rynków finansowych jest rozpoznawanie trendów w danych. Jak pokazuje przykład z cenami akcji, zarówno przewidywania, jak i rzeczywiste ceny wykazują podobne tendencje – wartości wzrostów i spadków są zbieżne, co pozwala na podjęcie odpowiednich decyzji inwestycyjnych. Tego typu analiza jest bardzo pomocna dla inwestorów, którzy potrzebują narzędzi do prognozowania ruchów rynkowych i optymalizacji swoich działań inwestycyjnych.

Należy pamiętać, że ANFIS, będąc połączeniem logiki rozmytej i sieci neuronowych, łączy w sobie zalety obu tych metod. Fuzzy logic zapewnia zdolność do pracy z nieprecyzyjnymi, niepewnymi danymi, co jest szczególnie ważne w kontekście analiz rynków finansowych, gdzie informacje są często niepełne lub rozmyte. Z kolei sieci neuronowe dają modelowi zdolność do uczenia się i poprawy swoich wyników w czasie, co umożliwia dostosowanie się do zmieniających się warunków rynkowych.

Przy budowie modelu ANFIS istotnym elementem jest dobór odpowiednich danych treningowych i testowych, które muszą być reprezentatywne dla analizowanego problemu. Dobrze przygotowane dane pozwalają na uzyskanie lepszych wyników oraz zapewniają lepszą generalizację modelu. W przypadku analizy cen akcji, ważne jest uwzględnienie zmiennych, które mogą mieć wpływ na te ceny, takich jak dane ekonomiczne, sytuacja polityczna, czy zmiany w branży.

W kontekście praktycznego wykorzystania ANFIS w MATLAB, użytkownicy mają dwie opcje: mogą skorzystać z gotowego narzędzia Neuro-Fuzzy Designer, które zapewnia prosty interfejs graficzny, umożliwiający szybkie stworzenie projektu, lub mogą użyć funkcji wbudowanych w toolbox Fuzzy Logic, które pozwalają na większą elastyczność i precyzyjniejsze dostosowanie projektu do specyficznych potrzeb. W obu przypadkach użytkownicy muszą przygotować odpowiednie dane, a proces budowy modelu ANFIS jest podobny w obu przypadkach.

Zakończenie projektu ANFIS nie oznacza jednak końca pracy nad modelem. Istotnym krokiem jest ocena i weryfikacja wyników, zarówno poprzez analizę wykresów, jak i porównanie wyników z rzeczywistymi danymi. Ważnym elementem procesu jest również walidacja modelu, czyli sprawdzenie, jak dobrze model radzi sobie z danymi spoza zestawu treningowego. Dopiero po tej weryfikacji możemy uznać model za gotowy do zastosowania w rzeczywistych warunkach.

Endtext

Jak zmieniały się pogrzeby i monety w czasach przejściowych: Aswan i Aleppo
Jak przekształcenie równań różniczkowych pozwala na rozwiązanie bardziej skomplikowanych problemów?
Jakie wyzwania stawia przed nami międzynarodowe zarządzanie sztuczną inteligencją generatywną?
Jakie cechy charakteryzowały starożytne okręty wojenne z wiosłami w okresie od I wieku p.n.e. do I wieku n.e. i jaką rolę odegrały w bitwach morskich?