Neuronové sítě 1

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra softwarového inženýrství

Anotace:

Cílem předmětu „Neuronové sítě 1“ je seznámit studenty se základními modely umělých neuronových sítí, s algoritmy pro jejich učení a dalšími souvisejícími metodami strojového učení a naučit je tyto modely a metody aplikovat při řešení praktických úloh.

Požadavky:

Základní znalosti algebry, analýzy a programovacích technik.

Osnova přednášek:

1. Úvod do umělých neuronových sítí

historie, biologická motivace, učení a strojové učení

2. Základní pojmy,

formální model neuronu, základní typy a topologie neuronových sítí

3. Perceptron

popis modelu, algoritmy učení, prahový obvod a realizace logických funkcí

4. Lineární neuron

popis modelu, algoritmy učení, lineární neuronová síť, souvislost modelu s lineární regresí, lineární klasifikace

5. Metoda podpůrných vektorů (Support Vector Machine)

6. Dopředná neuronová sít

popis modelu, aktivační funkce, typy úloh, trénovací data

7. Algoritmus zpětného šíření

odvození algoritmu, varianty, analýza, praktické aplikace

8. Asociativní sítě

modely asociativních sítí (AM, BAM, Hopfield, simulované žíhání, Boltzmannův stroj), Hebbovské učení, praktické příklady

9. Shluková analýza

algoritmus k-středů, hierarchické shlukování, meanshift

10.Samoorganizující se umělé neuronové sítě

kompetitivní modely, Kohonenovy mapy, algoritmy učení

11. Hybridní modely

LVQ, Counter-propagation, RBF-model, kaskádová korelace a modulární neuronové sítě

12. Úvod do hlubokých neuronových sítí

13. Konvoluční neuronové sítě

architektura, aktivační funkce, učení, praktické příklady

Osnova cvičení:

Osnova cvičení odpovídá struktuře přednášek.

Cíle studia:

Studenti se seznámí s různými základními modely umělých neuronových sítí, s algoritmy pro jejich učení a dalšími souvisejícími metodami strojového učení (perceptrony, lineární modely, metody podpůrných vektorů, dopředné neuronové sítě, shlukování, samoorganizující se umělé neuronové sítě, asociativní sítě, základy hlubokého učení).

Studenti se naučí, jak implementovat a použít probírané modely a metody pro řešení praktických úloh.

Studijní materiály:

Doporučená literatura

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

[2] E. Volná, Neuronové sítě 1, Ostrava, 2008 

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

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

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

[6] I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press, 2016.

[7] R. Rojas: Neural Networks: A Systematic Introduction, Springer-Verlag, Berlin, 1996

Poznámka:

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů: