Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2018/2019

Neuronové sítě pro zpracování biologických dat

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
17DANSBD ZK 5 2+0
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra biomedicínské informatiky
Anotace:

Umělé neuronové sítě patří k alternativních technikám při analýze a klasifikaci

dat. Jejich hlavní předností je, že jsou schopny „učit se“ na základě příkladů,

tj. samostatně extrahovat znalosti a souvislosti pouze z dostupných dat. Další

jejich výhodou je schopnost tzv. generalizace (zevšeobecnění), tj. schopnost

správně reagovat i na neznámé podněty. Předmět je zaměřen na základní

biologickou motivaci (funkci nervové sítě živých organizmů), zjednodušený model

(matematický popis) neuronu a neuronové sítě, taxonomii umělých neuronových

sítí. Přednáška se podrobně věnuje jednotlivým typům (tzv. paradigmatům) umělých

neuronových sítí (jednoduchý perceptron, vícevrstvá perceptronová síť, RBF síť,

Hopfieldova síť, Kohonenovy samoorganizující se mapy apod.). Podrobně jsou

rozebírány otázky předzpracování dat, nastavení parametrů, konvergence apod.

Závěr předmětu je určen využití výpočetních prostředků pro neuronové sítě.

Požadavky:
Osnova přednášek:

- Biologická motivace, základní poznatky o nervových soustavách ľivých

organizmů. Přenos signálů, funkce paměti.

- Historie vzniku umělých neuronových sítí (NS), definice neuronové sítě,

taxonomie paradigmat neuronových sítí.

- Struktura a funkce neuronu (perceptronového a radiálního typu), sítě neuronů.

- Pravděpodobnostní neuronová síť, zobecněná regresní neuronová síť.

- Vícevrstvá perceptronová síť, struktura, metody učení/trénování sítě -

základní gradientní metoda (backpropagation), Levenberg-Marquart, delta-bar-

delta. Vlastnosti sítě. Aplikace sítě pro úlohu klasifikace a regrese.

- Neuronová síť typu RBF, způsob učení, aplikace.

- Kohonenovy samoorganizující se mapy, struktura, metody učení/trénování sítě,

metody urychlení učení, vlastnosti pouľití.

- Hopfieldova neuronová síť, způsob učení a hlavně vybavování, vlastnosti,

aplikace.

- Asociativní paměti, základní typy, vlastnosti, pouľití.

- Moderní směry vývoje neuronových sítí, optické neuronové sítě, neuronové sítě

zaloľené na hologramech.

- Výpočetní prostředky (toolboxy) pro neuronové sítě (Neural Networks Toolbox

pro Matlab, Statistica Neuronové sítě).

Osnova cvičení:
Cíle studia:

Umělé neuronové sítě patří k alternativních technikám při analýze a klasifikaci

dat. Jejich hlavní předností je, že jsou schopny „učit se“ na základě příkladů,

tj. samostatně extrahovat znalosti a souvislosti pouze z dostupných dat. Další

jejich výhodou je schopnost tzv. generalizace (zevšeobecnění), tj. schopnost

správně reagovat i na neznámé podněty. Předmět je zaměřen na základní

biologickou motivaci (funkci nervové sítě živých organizmů), zjednodušený model

(matematický popis) neuronu a neuronové sítě, taxonomii umělých neuronových

sítí. Přednáška se podrobně věnuje jednotlivým typům (tzv. paradigmatům) umělých

neuronových sítí (jednoduchý perceptron, vícevrstvá perceptronová síť, RBF síť,

Hopfieldova síť, Kohonenovy samoorganizující se mapy apod.). Podrobně jsou

rozebírány otázky předzpracování dat, nastavení parametrů, konvergence apod.

Závěr předmětu je určen využití výpočetních prostředků pro neuronové sítě.

Studijní materiály:

[1]Mařík V., Štěpánková O., Laľanský J. a kol.: Umělá inteligence 1-4, Academia,

Praha, 1993-2004

[2]Šíma J., Neruda R.: Teoretické otázky neuronových sítí, Matfyzpress, 1996

[3]Zelinka I.: Umělá inteligence. Neuronové sítě a genetické algoritmy, VUTIUM,

Brno, 1998

[4]Rojas R: Neural Networks - A Systematic Introduction, Springer-Verlag,

Berlin, New-York, 1996

[5]Hassoun M.H.: Fundamentals of artificial neural networks, MIT Press, 1995

Poznámka:
Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 19. 4. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet1037706.html