UIN3042 Umělé neuronové sítě

Filozoficko-přírodovědecká fakulta v Opavě
zima 2009
Rozsah
2/2/0. 6 kr. Ukončení: zk.
Vyučující
doc. Ing. Petr Sosík, Dr. (přednášející)
Mgr. Michaela Ačová (cvičící)
Garance
doc. Ing. Petr Sosík, Dr.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Dnes už klasický obor umělé inteligence využívá matematických aspektů chování neuronových buňěk živých organismů. Výsledkem je řada "neuronových" algoritmů schopných učení na příkladech, generalizace poznatků a hledání přibližných řešení obtížných problémů. Tyto algoritmy mohou běžet na speciálních paralelních strojích, ale i na běžných počítačích.
Osnova
  • 1. Stavba biologického neuronu, způsob a časový průběh přenosu informace. Funkční model a model zpracování informací. Matematický model jednoduchého neuronu a vícevrstvé neuronové sítě. Učící schémata (základní principy). Topologie a struktura sítě.
    2. Základní vlastnosti sítí. McCulochův-Pittsův neuron. Přímovazebné neuronové sítě: neuronové modely jednoduchých logických funkcí, princip učení. Trénovací algoritmy, perceptronový algoritmus.
    3. Adaptace vah v síti s jednou nebo více skrytými vrstvami ?Backpropagation? (BP). Modifikace a vylepšení algoritmu BP. Aplikační příklady.
    4. Rekurentní neuronové sítě, bloková reprezentace neuronových sítí. Učení rekurentní sítě.
    5. Asociativní paměti, hetero- a autoasociatívní sítě, synchronní a asynchronní sítě. Ukládání a vyvolávání informací. Učící algoritmy, adaptivní resonanční dynamika. Ljapunovova funkce a funkce energie. Kapacita paměti.
    6. Hopfieldův model, důkaz poklesu energie. Aplikace: NP-úplné problémy, rekonstrukce neúplných dat.
    7. Učení bez předlohy, Hebovo a Ojaovo adaptační pravidlo. Víceneuronová přímovazební síť na extrakci hlavních komponent, Sangerovo adaptační pravidlo.
    8. Kompetitivní (konkurenční) sítě, Kohonenovo učení (pravidlo), shlukování vstupů, samoorganizace, modifikace učení kompetitivní sítě. Samoorganizující mapy - SOM. Kvantování vektorů učením, Učící pravidla pro adaptivní vektorové kvantování (AVQ, resp. LVQ).
    9. Koncept fuzzy neuronové sítě. Fuzzy neuronová architektura založená na fuzzy aritmetice. Fuzzy neuronová architektura založená na fuzzy logice. Učící schémata fuzzy neuronových sítí.
Literatura
    doporučená literatura
  • MARČEK, D. Neuronové sítě a fuzzy časové řady. Opava: SU Opava, 2002. ISBN 80-7248-157-6. info
  • NERUDA, R., ŠÍMA, J. Teoretické otázky neuronových sítí. Matfyzpress, Praha, 1996. info
  • SACKS, O. Muž, který si pletl manželku s kloboukem. Praha: Mladá Fronta, 1993. info
  • NOVÁK, M., FABER, J., KUFUDAKI, O. Neuronové sítě a informační systémy živých organismů. Grada, Praha, 1993. info
  • HERTZ, J. et. al. Introduction to the Theory of Neural Computation. Addison-Wesley, New York, 1991. info
Metody hodnocení
Ústní zkouška
Další komentáře
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích zima 1993, zima 1994, zima 1995, zima 1996, zima 1997, zima 1998, zima 1999, zima 2000, zima 2001, zima 2002, zima 2003, zima 2004, léto 2006, zima 2006, zima 2007, zima 2008, zima 2010, zima 2011, zima 2012, zima 2013, zima 2014, zima 2015, zima 2016, zima 2017, zima 2018, zima 2019, zima 2020, zima 2021, zima 2022, zima 2023.