PředmětyPředměty(verze: 901)
Předmět, akademický rok 2021/2022
  
Aplikace teorie neuronových sítí - NAIL013
Anglický název: Applications of Neural Networks Theory
Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2016
Semestr: letní
E-Kredity: 3
Rozsah, examinace: letní s.:2/0 Zk [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Virtuální mobilita / počet míst: ne
Stav předmětu: vyučován
Jazyk výuky: angličtina, čeština
Způsob výuky: prezenční
Garant: doc. RNDr. Iveta Mrázová, CSc.
Třída: Informatika Mgr. - Teoretická informatika
Kategorizace předmětu: Informatika > Teoretická informatika
Anotace -
Poslední úprava: ()
Přednáška je zaměřena na hlubší pochopení vlastností a funkcí vybraných modelů neuronových sítí - robustnost, generalizační schopnosti ap. Detailněji jsou vysvětleny některé principy použití umělých neuronových sítí při řešení praktických úloh - zpracování mluvené řeči, obrazové informace, robotika atd.
Cíl předmětu
Poslední úprava: T_KTI (26.05.2008)

Rozebrat a naučit aplikace neuronových sítí

Podmínky zakončení předmětu -
Poslední úprava: RNDr. František Mráz, CSc. (16.02.2022)

V doprovodném Moodle-kurzu budou postupně zveřejňované hodnocené úkoly. Každý úkol má stanovené datum odevzdání. Za celý semestr budou zadány 2 úkoly, které přispějí k výslednému hodnocení po 20%. Dále se bude v rámci přednášky psát jedna písemná práce. Ta přispěje 15% k celkovému hodnocení. Samotná zkouška na konci semestru se započítává 45% do výsledného hodnocení. Posluchač získá známku na základě celkového hodnocení podle následující tabulky

známka 1 známka 2 známka 3 nevyhověl
100%–86% 85%–71% 70%–56% méně než 56%

Literatura -
Poslední úprava: doc. RNDr. Iveta Mrázová, CSc. (02.05.2015)

Abu-Mostafa Y. S., Magdon-Ismail M., Lin H.-T.: Learning From Data: A Short Course, AMLbook.com, 2012

Goldberg D.E.: Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley, 1990

Haykin S.: Neural Networks and Learning Machines, 3rd Edition, Pearson, 2009

Kotek Z. a kol.: Adaptivní a učící se systémy. SNTL 1980

Kosko B.: Neural Networks for Signal Processing. Prentice Hall, 1992

Sylabus -
Poslední úprava: RNDr. František Mráz, CSc. (05.05.2015)

1. Úvod do problematiky adaptivních a učících se systémů

  • Adaptace a učení, formální popis předmětů, výběr a uspořádání příznaků, výběr a uspořádání učebních vzorů.
  • Metody minimalizace kritéria ztrát (Bayesovo rozhodovací pravidlo, rozhodovací pravidlo podle nejbližšího souseda, shluková analýza).
  • Použití klasických učících se klasifikátorů (rozpoznávání obrazu, řeči, použití učících se klasifikátorů v řízení).

2. Umělé neuronové sítě a jejich použití

  • Rekapitulace vybraných paradigmat NS (vrstevnaté neuronové sítě typu zpětného šíření, Hopfieldovy sítě, Kohonenovy mapy, hluboké neuronové sítě).
  • Aplikace umělých neuronových sítí - mj. při rozpoznávání mluvené řeči, modelování finančních systémů, zpracování multimediálních dat, v robotice a při predikci časových řad.

3. Použití genetických algoritmů v oblasti neuronových sítí

  • Aplikace neuronových sítí typu zpětného šíření při formulaci a vyhodnocování cílové funkce genetických algoritmů.
  • Optimalizace architektury neuronových sítí pomocí genetických algoritmů.

 
Univerzita Karlova | Informační systém UK