NEURONOVE SIETE - Doc. RNDr. Lubica Benuskova, PhD. - Pracovna: UI FMFI UK, c.dv. 35, tel: 60295 621

!!! Skuskove terminy !!!

Tabulka s vysledkami
2. ZADANIE
3. ZADANIE
Prednasky: Pon 14:00 2 hod F108 - Cvicenia: Ut 9:50 a Str 8:10 2 hod H6

PODMIENKY ABSOLVOVANIA PREDMETU
1. Odovzdanie vsetkych troch zadani (perceptron 11.-12.3. za 10 bodov, backprop 8.-9.4. za 18 bodov, volna tema 6.-7.5. za 18 bodov) *** za kazdy tyzden skorsieho (neskorsieho) odovzdania sa pripocitava (odpocitava) zaokruhlene nahor 10% bodov *** nepreberaju sa neuplne vyhotovene zadania *** do konca semestra (do 16.5.) musi byt odovzdane aspon 1 zadanie.
2. Absolvovanie pisomnej zaverecnej skusky (3 teoreticke otazky celkovo za 54 bodov).
3. Sucet bodov zo zadani a zo skusky musi byt minimalne 56 (zo 100).

HODNOTENIE: vyborne (87 - 100 bodov), velmi dobre (72 - 86 bodov), dobre (56 - 71 bodov)
SYLABUS:
  • 1. (24.2.) Uvod do neuronovych sieti (NS): inspiracia z neurobiologie, zakladne poznatky o cinnosti neuronov. ( neuron.pdf )
  • 2. (3.3.) Binarny perceptron: pojem ucenia s ucitelom, uciace pravidlo perceptronu, klasifikacia vzorov, linearne separovatelne problemy. Spojity perceptron, chybova funkcia. LITERATURA [1].
  • 3. (10.3.) "Backpropagation" I: viacvrstvove dopredne siete, odvodenie uciaceho pravidla - metoda spatneho sirenia chyb. LITERATURA [1][6-8]
  • 4. (17.3.) "Backpropagation" II: trenovacia a testovacia mnozina, aproximacia funkcii, zovseobecnovanie, preucenie, skore zastavenie ucenia, selekcia modelu, "cross"-validacia, "bootstrap", modifikacie zakladneho uciaceho pravidla. LITERATURA [1]
  • 5. (24.3.) "Backpropagation" III: prakticke aplikacie rozpoznavania vzorov. LITERATURA [1][7-8]
  • 6. (31.3.) "Reinforcement learning", hranie hier pomocou NS, RBF siete. LITERATURA [1][7-8]
  • 7. (7.4.) SOM: Samoorganizacia v NS, Kohonenov algoritmus, klastrovanie. LITERATURA [1][4][7].
  • 8. (14.4.) Rekurentne NS: casova struktura v datach, dopredne neuronove siete s casovym oneskorenim (TDNN), "backpropagation" v case (BPTT). LITERATURA [1,2]
  • 9. (28.4.) Rekurentne ucenie v realnom case (RTRL). Aplikacia rekurentnych NS na predikcne ulohy pri spracovani postupnosti udajov. LITERATURA [1-3]
  • 10. (5.5.) Extrakcia pravidiel z prikladov, analyza stavoveho priestoru rekurentnych NS. Iteracne funkcne systemy. LITERATURA [1, 3]
  • 11. (12.5.) Geneticke algoritmy a neuronove siete. Konkretna aplikacia v robotike. LITERATURA [5][6].
    LITERATURA:
    [1] Benuskova L. Umele neuronove siete . Kapitola z Navrat P. et al. Umela inteligencia. STU: Bratislava, 2002, str. 161-189, rozsirena o BPTT, RTRL, IFS a SOM. K PREDNASKAM 1-10.

    Na doplnenie a rozsirenie vedomosti dalej odporucame:

    [2] Tino P. Rekurentne neuronove siete . In [6], str. 118-141. K PREDNASKAM 7-8.
    [3] Cernansky P. Recurrent neural networks . Rigorozna praca, FEI STU, 2001, str. 14-15. K PREDNASKAM 8-9.
    [4] Farkas I. Samoorganizujuce sa mapy. In [6], str. 142-189. K PREDNASKE 10.
    [5] Kvasnicka V., Pospichal J., Tino P. Evolucne algoritmy. STU: Bratislava, 2000. K PREDNASKAM 11-12. (predajna Male Centrum)
    [6] Kvasnicka V. et al. Uvod do teorie neuronovych sieti. Iris: Bratislava, 1997. (cela kniha, pdf.zip )
    [7] Oravec M. et al. Neuronove siete pre cislicove spracovanie signalov. Faber: Bratislava, 1998. (predajna Male Centrum na FEI)
    [8] Sincak P., Andrejkova G. Neuronove siete I , Neuronove siete II. Elfa: Kosice, 1996. ( pdf.zip )