Sieci neuronowe - Kognitywistyka
Transkrypt
Sieci neuronowe - Kognitywistyka
Sylabus Wydział: Nazwa przedmiotu: Nazwa przedmiotu w j. angielskim: Kod przedmiotu: Tytuł/stopień oraz imię i nazwisko wykładowcy: Semestr (zimowy lub letni): Liczba godzin zajęć: Liczba punktów ECTS: Język wykładowy: Efekty kształcenia Humanistyczny Sieci neuronowe Neural Networks Prof. Włodzisław Duch letni 30 4 Student po zakończeniu tych zajęć pozytywnym zaliczeniem laboratorium i zdaniem egzaminu powinien: zdefiniować, opisać, wyliczyć zagadnienia związane z algorytmami rozproszonego przetwarzania adaptacyjnego, sieciami neuronowymi, podstawowych metod i pojęć tej dziedziny; posiadać umiejętność oceny złożoności obliczeniowej różnych algorytmów sieci neuronowych; zastosować odpowiednie algorytmy i metody uczenia w zależności od napotkanego problemu; ocenić możliwości rozwiązania danego problemu za pomocą algorytmów sieciowych. Treści programowe; program przedmiotu (w wersji przedkładanej studentom) Wstęp "Sieci neuronowe" omawia kluczowe zagadnienia związane z algorytmami powstałymi na skutek inspiracji neurobiologicznych. Obejmuje podstawowe wiadomości na temat neurobiologii, Zajęcia ze wstępu do inteligencji obliczeniowej i uczenia maszynowego są dobrym uzupełnieniem do tego wykładu. 1. Wstęp: czym zajmuje się dziedzina. Co to jest efektywna algorytmizowalność; sieci neuronowe, inteligencja obliczeniowa i sztuczna inteligencja; problemy warte rozwiązania i źródła, z których czerpie się inspiracje; uczenie nadzorowane, nienadzorowane i uczenie z krytykiem. 2. Inspiracje Biologiczne: sieci neuronowe. Inspiracje biologiczne: rys historyczny; cele modelowania; ogólne własności modeli neuronowych; inteligentne zachowania sieci; główne aspekty modeli neuronowych; reguły uczenia sieci. 3. Neurony logiczne, modele binarne. BCM, najprostsza Binarna Pamięć Skojarzeniowa; CMM, macierze korelacji, zastosowania do słowników; BAM, dwukierunkowa progowa pamięć asocjacyjna; 4. Binarne modele pamięci skojarzeniowych. SDM, rozproszona pamięć komórkowa; RAM-nets, czyli model n-ek; model CMAC 5. Sieć Hamminga i ucząca się macierz; Adaline, Madaline i sieci liniowe. Ucząca się macierz Steinbucha; Adaline. Madaline Sieci z elementami liniowymi 6. Perceptrony. Perceptrony jednowarstwowe; Uczenie się perceptronu. Demonstracje za pomocą programu Neurosolutions. 7. Perceptrony z dużym marginesem. Nieliniowa reguła delta. Maksymalizacja marginesów klasyfikatora Algorytm Adatron Demonstracje za pomocą programu Neurosolutions. 8. MLP - perceptrony wielowarstwowe. Wsteczna propagacja błędów: uogólniona reguła delta, minimalizacja błędów Własności wielowarstwowych perceptronów 9. Ulepszenia wstecznej propagacji błędów. Procedury minimalizacji błędu Lokalne minima, funkcje kosztu, inicjalizacja parametrów Upraszczanie sieci - regularyzacja 10. Algorytmy konstruktywistyczne. Korelacja kaskadowa Algorytm wieżowy Algorytm piramidowy Algorytm "upstart" Algorytm "kafelkowy" Kilka przykładów zastosowań 11. Radialne Funkcje Bazowe i algorytmy aproksymacyjne. Teoria RBF Sieci RAN Sieci probabilistyczne: estymatory Bayesowskie Lokalne uczenie się sieci modyfikujących swoją strukturę Klasyfikator Coopera Dalsze przykłady zastosowań 12. Model Hopfielda. Sieci ze sprzężeniami zwrotnymi Model Hopfielda Zastosowania w modelowaniu pamięci autoasocjacyjnej i optymalizacji 13. Sieci dynamiczne. Maszyny Boltzmana i Helmholtza Neurodynamika 14. Samoorganizacja - uczenie bez nadzoru. Samoorganizujące się odwzorowanie topologiczne Kohonena Growing Cell Structures Przykłady zastosowań Przykłady wizualizacji 15. Uczenie konkurencyjne. Mapy ekwiprobabilistyczne Reguła: zwycięzca bierze wszystko, procesy konkurencyjne w sieciach Gaz neuronowy Demonstracje w Javie Literatura Korbicz J, Obuchowicz A, Uciński D, Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza, Warszawa, 1994 Stanisław Osowski Sieci neuronowe w ujęciu algorytmicznym Wydawnictwa Naukowo-Techniczne 1996 J. Żurada, M. Barski, W. Jędruch Sztuczne sieci neuronowe Wydawnictwo Naukowe PWN 1996 Ryszard Tadeusiewicz, Tomasz Gąciarz, Barbara Borowik, Bartosz Lepe, Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#. Polska Akademia Umiejętności 2008 Warunki i forma zaliczenia Maksymalna liczba studentów Egzamin pisemny