Implementace neuronových sítí 1 - NAIL060

• Anglický název: Neural Networks Implementation 1
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2023
• Semestr: zimní
• E-Kredity: 5
• Rozsah, examinace: zimní s.:2/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: nevyučován
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Garant: RNDr. Petr Božovský, CSc.
• Třída: Informatika Mgr. - Teoretická informatika
• Kategorizace předmětu: Informatika > Teoretická informatika
• Je korekvizitou pro: NAIL015
• Je neslučitelnost pro: NAIX060
• Je záměnnost pro: NAIX060

Anotace

čeština

Metody a techniky implementace základních modelů neuronových sítí. Backpropagation. Zvyšování efektivity modelů, příbuzné a odvozené modely. Volba modelu, topologie a velikosti sítě. Adaptivní strategie optimalizace sítí. Cvičení je zaměřeno na praktické realizace vybraných aplikací.

Poslední úprava: T_KSI (15.04.2003)

angličtina

Implementation methods and techniques of neural network models. Backpropagation. Boosting learning efficiency, related and advanced models. Model, topology and network size selection. Adaptive strategies of net optimization. Seminars are devoted to practical issues of specific applications implementation.

Poslední úprava: T_KSI (15.04.2003)

Cíl předmětu

čeština

Naučit další metody a techniky implementace základních modelů neuronových sítí

Poslední úprava: T_KTI (23.05.2008)

angličtina

To learn methods and techniques of implementation of basic models of neuron networks

Poslední úprava: Božovský Petr, RNDr., CSc. (07.04.2018)

Podmínky zakončení předmětu

čeština

Podmínkou pro udělení zápočtu je úspěšná prezentace fungujících programů pro úlohy, které jsou v předmětu probírány. Tyto programy musí být vlastním dílem studenta s případným využitím vhodných frameworků, jejichž použití podléhá schválení vyučujícím.

Nedílnou součástí zápočtu je i dostatečná účast na semináři, kde probíhá rozbor úloh a průběžná diskuze.

Poslední úprava: Božovský Petr, RNDr., CSc. (16.10.2017)

angličtina

Student gains a credit after a successful presentation of working programs for the tasks discussed in the course. These programs must be the student's own work, with an eventual utilization of appropriate framework that is under lecturer's approval.

As an integral part of gaining the credit, a sufficient attendance at the seminar is also considered since the task analysis and related discussion take place there.

Poslední úprava: Božovský Petr, RNDr., CSc. (16.10.2017)

Literatura

Beale R.: Neural Computing - An Introduction. Adam Hilger, Bristol, 1990

Goles E.: Lyapunov functions associated to automata networks, in Automata networks in computer science, Princeton University Press, 1987

Tank D., Hopfield J.: Simple "Neural" Optimization Networks, IEEE TCS CAS-33, pp.533-541, 1986

Poslední úprava: G_I (28.05.2004)

Požadavky ke zkoušce

čeština

Zkouška probíhá ústní formou. Student má možnost si připravit v rámci zkoušky písemné poznámky, ze kterých v průběhu ústní zkoušky vychází.

Požadavky u zkoušky odpovídají sylabu předmětu v rozsahu, který byl prezentován na přednášce.

Poslední úprava: Božovský Petr, RNDr., CSc. (16.10.2017)

angličtina

The examination is in oral form. Student has an opportunity to prepare written notes within the exam to support the oral examination.

Requirements for the examination correspond to the syllabus of the course in the range presented at the lecture.

Poslední úprava: Božovský Petr, RNDr., CSc. (16.10.2017)

Sylabus

čeština

Metody a techniky implementace základních modelů neuronových sítí. Backpropagation. Zvyšování efektivity modelů, příbuzné a odvozené modely. Volba modelu, topologie a velikosti sítě. Adaptivní strategie optimalizace sítí. Cvičení je zaměřeno na praktické realizace vybraných aplikací.

Poslední úprava: T_KSI (15.04.2003)

angličtina

Implementation methods and techniques of neural network models. Backpropagation. Boosting learning efficiency, related and advanced models. Model, topology and network size selection. Adaptive strategies of net optimization. Seminars are devoted to practical issues of specific applications implementation.

Poslední úprava: T_KSI (15.04.2003)