Teoretické otázky neuronových sítí - aproximace - NAIL026

• Anglický název: Theoretical Issues in Neural Networks - Approximation
• Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2022
• Semestr: zimní
• E-Kredity: 3
• Rozsah, examinace: zimní s.:2/0, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: zrušen
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Garant: Mgr. Roman Neruda, CSc.
• Třída: Informatika Mgr. - volitelný
• Kategorizace předmětu: Informatika > Teoretická informatika
• Prerekvizity : NAIL002

Anotace

čeština

Poslední úprava: ()

Na přednášce bude vyšetřována vlastnost univerzální aproximace na různých architekturách NS (vícevrstvý perceptron, RBF sítě, Gaussian bars) a funkční ekvivalence NS pro genetické učení.

angličtina

Poslední úprava: G_I (31.10.2001)

The universal approximation property will be studied for different architectures of neural networks (multilayer perceptron, RBF networks, Gaussian bars). Functional equivalence and similar properties will be studied with consequences for genetic learning of neural networks.

Cíl předmětu

Poslední úprava: T_KTI (26.05.2008)

Na přednášce bude vyšetřována vlastnost univerzální aproximace na různých

architekturách NS

Literatura

Poslední úprava: Mgr. Roman Neruda, CSc. (02.05.2006)

Šíma, J, Neruda R: Teoretické otázky neuronových sítí, Matfyzpress, 1997.

Sylabus

čeština

Poslední úprava: G_I (17.05.2004)

Na přednášce bude vyšetřována vlastnost univerzální aproximace na různých

architekturách NS (vícevrstvý perceptron, RBF sítě, Gaussian bars) a

funkční ekvivalence NS pro genetické učení.

angličtina

Poslední úprava: G_I (17.05.2004)

The universal approximation property will be studied for different

architectures of neural networks (multilayer perceptron, RBF networks,

Gaussian bars). Functional equivalence and similar properties will be

studied with consequences for genetic learning of neural networks.