FPF:UINA342 Artificial Neural Networks - Informace o předmětu
UINA342 Artificial Neural Networks
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
- Computer Science and Technology (program FPF, N1801 Inf)
- Cíle předmětu
- This classical branch of Artificial Intelligence makes use of mathematical aspects of behavior of neural cells in living organisms. The result is a sequence of "neural" algorithms capable to learn from examples, to generalize knowledge and to search for approximate solutions of intractable problems. These algorithms can be run on special parallel machines but also on classical computers.
- 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
- Vyučovací jazyk
- Angličtina
- 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/UINA342