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
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
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
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 - angličtina
Poslední úprava: doc. RNDr. Iveta Mrázová, CSc. (20.02.2018)

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 0-10 points. During the semester, you will solve 2 assignments. Points acquired for solving the assignments will account for up to 35% of the final score for the exam. Further, there will be two written tests which will be written during lectures. Each of these tests will be graded with 0-10% towards the final score. The exam at the end of this term will add up to the remaining 45% to the final score. The following table gives the final grade according to achieved score:

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