FPF:UIN3042 Umělé neuronové sítě - Informace o předmětu
UIN3042 Umělé neuronové sítě
Filozoficko-přírodovědecká fakulta v Opavězima 2017
- Rozsah
- 2/2/0. 6 kr. Ukončení: zk.
- Vyučující
- prof. Ing. Dušan Marček, CSc. (přednášející)
doc. Ing. Petr Sosík, Dr. (přednášející)
Mgr. David Novák (cvičící)
Mgr. Lenka Resslerová (cvičící) - Garance
- doc. Ing. Petr Sosík, Dr.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě - Předpoklady
- - základy výrokové logiky, logické operátory
- diferenciální počet funkcí více proměnných, parciální derivace, gradient
- základy objektového programování (Java, C# apod.) - Omezení zápisu do předmětu
- Předmět je nabízen i studentům mimo mateřské obory.
- Mateřské obory/plány
- Informatika a výpočetní technika (program FPF, N1801 Inf)
- 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. Biologický neuron, jeho stavba a funkce, matematický model jednoduchého neuronu a vícevrstvé neuronové sítě. Vlastnosti a použití umělých neuronových sítí.
2. Aktivní, adaptivní a organizační dynamika, učící schémata (bez učitele, s učitelem, s posilováním), trénovací a testovací množina, typický průběh učení, problém přeučení sítě.
3. Perceptron a perceptronový učící algoritmus, realizace logických funkcí perceptronem, omezené schopnosti jednovrstvých perceptronových sítí.
4. Vícevrstvé sítě a algoritmus Backpropagation, metody urychlení učení (nastavování rychlosti učení, moment setrvačnosti, adaptace strmosti).
5. Rychlé metody pro učení vícevrstvého perceptronu: metoda konjugovaných gradientů, resilient backpropagation, další metody.
6. Heteroasociativní a autoasociativní sítě, topologie, učící algoritmus, sychronní a asychronní aktivní dynamika. Hopfieldův model, stabilita a energetická funkce, kapacita Hopfieldovy paměti.
7. Sítě s lokálními neurony, jejich organizační a aktivní dynamika. Třífázové učení, vlastnosti a aplikace, srovnání s vícevrstvým perceptronem.
8. Kompetitivní sítě, kvantování vektorů učením, Lloydův algoritmus, Kohonenovo adaptační pravidlo, varianty učení UCL, DCL a SCL.
9. Kohonenovy samoorganizační mapy, popis a aplikace, funkce okolí, příklady jednorozměrné a dvourozměrné mapy.
10. Sítě ART, principy a výhody, význam funkce ostražitosti.
- 1. Biologický neuron, jeho stavba a funkce, matematický model jednoduchého neuronu a vícevrstvé neuronové sítě. Vlastnosti a použití umělých neuronových sítí.
- Literatura
- povinná literatura
- KRIESEL, D. A Brief Introduction to Neural Networks, Zeta version. 2007. URL info
- NERUDA, R., ŠÍMA, J. Teoretické otázky neuronových sítí. Matfyzpress, Praha, 1996. info
- doporučená literatura
- SACKS, O. Muž, který si pletl manželku s kloboukem. Praha: Mladá Fronta, 1993. info
- HERTZ, J. et. al. Introduction to the Theory of Neural Computation. Addison-Wesley, New York, 1991. info
- neurčeno
- MARČEK, D. Neuronové sítě a fuzzy časové řady. Opava: SU Opava, 2002. ISBN 80-7248-157-6. info
- Výukové metody
- Přednáška s aktivizací
Přednáška s analýzou videozáznamu - Metody hodnocení
- Zkouška
- Informace učitele
- 1. Vypracování individuálního projektu zaměřeného na trénink a testování umělých neuronových sítí.
2. Nejméně 50% bodů na písemné zkoušce z celého obsahu předmětu. - Další komentáře
- Předmět je dovoleno ukončit i mimo zkouškové období.
- Statistika zápisu (zima 2017, nejnovější)
- Permalink: https://is.slu.cz/predmet/fpf/zima2017/UIN3042