Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2020/2021

Neuronové sítě 1

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
818NES1 Z 2 1+1 česky
Přednášející:
Kateřina Horaisová (gar.)
Cvičící:
Kateřina Horaisová (gar.)
Předmět zajišťuje:
Katedra softwarového inženýrství
Anotace:

Matematická analýza, teorie modelů a biologický context jsou použity ke konstrukci jednoduchých modelů neuronových struktur. Modely jsou schopny se učit z trénovací množiny a jejich struktury a parametry jsou předmětem optimalizace.

Požadavky:

Základní znalosti z lineární algebry.

Osnova přednášek:

1. Biologické neuronové sítě a jejich modely.

2. Umělé neuronové sítě , základní pojmy.

3. Topologie ANN, acyklické a hierarchické sítě.

4. Bipolární perceptron jako spínací prvek.

5. Logická funkce jako perceptronová síť.

6. Hebbovo učení, LSQ učení, pseudoinverze, OLAM.

7. Principy robustního učení, klestění.

8. Rosenblattovo učení, Widrowovo delta učení.

9. Nelineární preprocessing a Coverova věta.

10. Hladký perceptron, pravidlo delta, stochastická gradientní metoda.

11. Vícevrstvý perceptron, univerzální aproximace, zpětné šíření.

12. RBF - Síť s radiální bází, struktura, učení.

13. Hammingova síť, asociativní paměti.

Osnova cvičení:

1. Biologické neuronové sítě a jejich modely.

2. Umělé neuronové sítě , základní pojmy.

3. Topologie ANN, acyklické a hierarchické sítě.

4. Bipolární perceptron jako spínací prvek.

5. Logická funkce jako perceptronová síť.

6. Hebbovo učení, LSQ učení, pseudoinverze, OLAM.

7. Principy robustního učení, klestění.

8. Rosenblattovo učení, Widrowovo delta učení.

9. Nelineární preprocessing a Coverova věta.

10. Hladký perceptron, pravidlo delta, stochastická gradientní metoda.

11. Vícevrstvý perceptron, univerzální aproximace, zpětné šíření.

12. RBF - Síť s radiální bází, struktura, učení.

13. Hammingova síť, asociativní paměti.

Cíle studia:

Znalosti:

Základy umělých neuronových sítí.

Schopnosti:

Reprezentace logické funkce pomocí perceptronu, použití algoritmů pro stanovení vah perceptronu a asociativních pamětí.

Studijní materiály:

Povinná literatura:

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

[2] M. Šnorek: Neuronové sítě a neuropočítače, ČVUT, Praha, 2002.

Doporučená literatura:

[3] S. Haykin: Neural Networks, Macmillan, New York, 1994.

[4] L.V. Fausett: Fundamentals of Neural Networks: Architectures, Algorithms and Applications, Prentice Hall, New Jersey, 1994.

Poznámka:
Rozvrh na zimní semestr 2020/2021:
Rozvrh není připraven
Rozvrh na letní semestr 2020/2021:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 25. 10. 2020
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet3023006.html