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 [HT]
• 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

čeština

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.

angličtina

Poslední úprava: RNDr. Filip Zavoral, Ph.D. (03.04.2001)

The course is focused on deeper understanding of the properties and the function of selected models of neural networks - robustness, generalization abilities, etc. Several principles important for the application of neural networks for solving practical tasks will be explained in detail. The discussed application areas include natural speech processing, image processing, robotics, etc.

Cíl předmětu

Poslední úprava: T_KTI (26.05.2008)

Rozebrat a naučit aplikace neuronových sítí

Podmínky zakončení předmětu

čeština

Poslední úprava: RNDr. František Mráz, CSc. (12.02.2023)

V doprovodném Moodle-kurzu budou postupně zveřejňované hodnocené úkoly. Každý úkol má stanovené datum odevzdání. Za celý semestr budou zadány 3 úkoly, které přispějí k výslednému hodnocení po 18%. Samotná zkouška na konci semestru se započítává 46% 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%

angličtina

Poslední úprava: RNDr. František Mráz, CSc. (12.02.2023)

Step by step, in an accompanying Moodle course, there will be published assignments. Each assignment has a deadline till which the assignment should be submitted for grading. Each submitted assignment will be graded by the teacher with 0-18%. During the semester, you will solve 3 assignments that will count up to 54% of the final score for the exam. The exam at the end of this term will add up to the remaining 46% of the final score. The following table gives the final grade according to the achieved score:

grade 1	grade 2	grade 3	failure
100%–86%	85%–71%	71%–56%	less than 56%

Literatura

čeština

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

angličtina

Poslední úprava: doc. RNDr. Iveta Mrázová, CSc. (03.11.2019)

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

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

Sylabus

čeština

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.

angličtina

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

1. Introduction to the area of adaptive and learning systems

• Adaptation and learning, formal description of patterns, selection and ordering of training patterns.
• Methods minimizing the loss criterion (Bayesian decision rule, k-nearest neighbor rule, cluster analysis).
• Applications of classical learning classifiers (in image recognition, speech processing, control).

2. Artificial neural networks and their application

• A brief recapitulation of selected neural network paradigms (feed-forward neural networks of the back-propagation type, Hopfield networks, Kohonen self-organizing maps, deep neural networks).
• Applications of neural networks - among others in natural language processing, modeling of financial systems, multimedia data processing, robotics and time series prediction.

3. Application of genetic algorithms in the area of neural networks

• Application of multi-layered neural networks of the back-propagation type in the evaluation of the fitness functions for genetic algorithms.
• Optimization of the architecture of neural networks by means of genetic algorithms.