Teoretické základy neuronových sítí

Garant předmětu:

Martin Holeňa

Přednášející:

Martin Holeňa

Cvičící:

Martin Holeňa

Předmět zajišťuje:

katedra matematiky

Anotace:

Klíčová slova:

Approximace funkcí, učení s učitelem, VC-dimenze.

Požadavky:

Některá vybraná témata v této přednášce velmi úzce souvisí s obsahem přednášky ?Pravděpodobnostní modely učení?, která tato vybraná témata prezentuje v mnohem širší a hlubší formě.

Osnova přednášek:

1.Přístup k umělým neuronovým sítím z hlediska teorie aproximace funkcí.

2.Přístup k umělým neuronovým sítím z hlediska teorie pravděpodobnosti.

3.Analýza řešitelnosti vybraných úloh modely neuronových sítí.

4.Kvalitativní descriptory neuronových sítí (VC-dimenze, pseudodimenze, citlivostní dimenze).

5.Teoretické základy učení neuronových sítí.

6.Vybrané pokročilé klasifikační aplikace umělých neuronových sítí.

Osnova cvičení:

Cíle studia:

Znalosti:

Teoretické základy pro studium vlastností a potenciálu modelů umělých neuronových sítí.

Schopnosti:

Pokročilá schopnost analýzy vhodnosti a efektivity modelů umělých neuronových sítí pro praktické aplikace. Fundamentální základy pro rozšiřování teoretických poznatků umožňujících vyšší pochopení a rozvoj principů umělé inteligence.

Studijní materiály:

Literatura povinná:

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

Literatura doporučená:

[2] M. Anthony, P. L. Bartlett. Neural Network Learning: Theoretical foundations. Cambridge university Press, 2009.

[3] M. Vidyasagar. A theory of Learning and Generalization. Springer 1997.

[4] V. Roychowdhury, K-Y. Siu, A. Orlitsky. Theoretical advances in neural computation and learning. Kluwer Academic Publishers. 1994.

Poznámka:

Rozvrh na zimní semestr 2024/2025:

Rozvrh není připraven

Rozvrh na letní semestr 2024/2025:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Aplikované matematicko-stochastické metody (volitelný předmět)
• Matematická informatika (povinný předmět programu)