Neuronové sítě (FSI-VNE)

Akademický rok 1999/2000
Garant: prof. Ing. Pavel Ošmera, CSc.  
Garantující pracoviště: ÚAI všechny předměty garantované tímto pracovištěm
Jazyk výuky: čeština
Cíle předmětu:
Cílem kurzu je seznámit se s principem a možným využitím neuronových
sítí v technických aplikacích.
Výstupy studia a kompetence:
Přehled existujících neuronových sítí a jejich použití. Praktické zvládnutí
navrhu topologie a fáze učení základních NS na dostupném softwaru NS.
Prerekvizity:
 
Obsah předmětu (anotace):
Předmět neuronové sítě je zaměřen na neuronové zpracování vstupní
informace inspirované neuronovým modelem lidského mozku. Obsahuje
popis základních typů neuronových topologií a postupu učení. Podrobněji
jsou popisovány : adaptibní perceptron, Back-propagaton, samo se
organizující sítě (Kohonen), rekuretní sítě (hopfield, Boltzman). Jsou
uvedeny aplikace NS v oblasti analýzy signálu, diagnostiky , modelování
predikce časových řad, navigace robotů, adaptivní regulátory, analýza
řeči, harwarová realizace NS.
Metody vyučování:
 
Způsob a kritéria hodnocení:
Aktivní účast ve cvičeních a zvládnutí zadaného modelu neuronové
sítě
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky:
 
Typ (způsob) výuky:
    Přednáška  10 × 2 hod. nepovinná                  
    Cvičení na počítači  10 × 2 hod. povinná                  
Osnova:
    Přednáška 1. Úvod do neuronových sítí (historie, biologické poznatky, základní
pojmy, paradigmata NS).
2. Matematický model neuronové sítě (formální neuron, neuronová síť)
3. Postavení neuronových sítí v informatice (aplikace NS,implementace
NS a neuropočítače)
4. Klasické modely NS (perceptron, víceverstvá síť).
5. NS typu Back-propagation ( popis strategie zpětného šíření)
6. Asociativní NS (Hebbův zákon, základní model, energetická funkce,
příklad aplikace)
7. Spojitá Hopfieldova síť (spojitá aktivní dynamika, optimalizace -
problém obchodního cestujícího), Boltzmanův stroj.
8. Samoorganizující se NS (Kohonenovo učení, modifikace)
9. Sítě s lokálními neurony (sítě typu RBF), ostatní typy NS jako ART,
stochastické NS atd.
10. Přehled aplikací NS (diagnostika, modelování systémů, adaptivní
regulátory, predikce, filtrace, komprese, optimalizace a pod.)
    Cvičení na počítači 1. Ukázky NS na PC
2. Návrh jednoduché NS typu Back-propagation
3. Ladění programu na PC
4. Učení NS na PC, prostředí MATLAB
5. Konfigurace a cvičení- Hopfieldova síť.
6. Konfigurace a cvičení Kohonenova síť
7. Cvičení RBF
8.-9. Návrh konfigurace sítě podle zadání
10. Předvedení výsledků vlastní práce na NS
Literatura - základní:
1. BISHOP CH.M.: Neural Network for Pattern Recognition, , 0
2. HASSOUN M.H.: Fundation of Artificial Neural Networks, , 0
3. Liu Ch.T.,Lee C.S.: Neural Fuzzy Systems, , 0
Literatura - doporučená:
1. Šnorek M.,Jiřina M.: Šnorek M.,Jiřina M., , 0
2. Šíma J.,Neruda R.: Teoretické otázky neuronových sítí, , 0
Zařazení předmětu ve studijních programech:
Program Forma Obor Spec. Typ ukončení   Kredity     Povinnost     St.     Roč.     Semestr  
M2301-5 prezenční studium Inženýrská informatika a automatizace 01 Inženýrská informatika a automatizace informatika zá,zk 5 Povinný 2 2 L