UIN3042 Umělé neuronové sítě

Filozoficko-přírodovědecká fakulta v Opavě
zima 2019
Rozsah
2/2/0. 6 kr. Ukončení: zk.
Vyučující
doc. Ing. Petr Sosík, Dr. (přednášející)
doc. Ing. Petr Sosík, Dr. (cvičící)
Garance
doc. Ing. Petr Sosík, Dr.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě
Rozvrh
Út 8:55–10:30 B3b
  • Rozvrh seminárních/paralelních skupin:
UIN3042/A: Út 10:35–12:10 B3b, P. Sosík
Předpoklady
TYP_STUDIA(N)
- 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
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.
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
Studijní materiály
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 2009, zima 2010, zima 2011, zima 2012, zima 2013, zima 2014, zima 2015, zima 2016, zima 2017, zima 2018, zima 2020, zima 2021, zima 2022, zima 2023.