UINA342 Artificial Neural Networks

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
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
This classical branch of Artificial Intelligence makes use of mathematical aspects of behavior of neural cells in living organisms. The result is a sequence of "neural" algorithms capable to learn from examples, to generalize knowledge and to search for approximate solutions of intractable problems. These algorithms can be run on special parallel machines but also on classical computers.
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
Vyučovací jazyk
Angličtina
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
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích zima 2017, zima 2018, zima 2020.