Sök i programutbudet

Använd sökfunktionen för att leta efter kurser och program i Chalmers utbildningsutbud. Den programplan och utbildningsplan som avser dina studier är i allmänhet från det läsår du började dina studier.

​​​​​​​​​​​​​

Kursplan för

Läsår
FFR135 - Artificiella neurala nätverk
 
Kursplanen fastställd 2015-02-20 av programansvarig (eller motsvarande)
Ägare: MPCAS
7,5 Poäng
Betygskala: TH - Fem, Fyra, Tre, Underkänt
Utbildningsnivå: Avancerad nivå
Huvudområde: Bioteknik, Kemiteknik, Teknisk fysik
Institution: 16 - FYSIK


Undervisningsspråk: Engelska
Sökbar för utbytesstudenter
Blockschema: B

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0100 Inlämningsuppgift 7,5 hp Betygskala: TH   7,5 hp    

I program

TIDAL DATATEKNIK, HÖGSKOLEINGENJÖR, Årskurs 3 (obligatoriskt valbar)
MPSYS SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 2 (valbar)
TKITE INFORMATIONSTEKNIK, CIVILINGENJÖR, Årskurs 3 (obligatoriskt valbar)
MPCAS KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (obligatorisk)
MPENM MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 2 (valbar)

Examinator:

Professor  Bernhard Mehlig



Behörighet:


För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Tillräckliga kunskaper i matematik (analys i en reell variabel, linjär algebra), grundläggande kunskaper i programmering.

Syfte

Neurala nätverk är fördelade beräkningsmodeller inspirerade av strukturen i den mänskliga hjärnan som består av många enkla bearbetningselement vilka är anslutna i ett nätverk. Neurala nätverk används alltmer inom ingenjörsvetenskap för uppgifter som mönsterigenkänning, prediktion och kontroll. Teorin om neurala nätverk är ett tvärvetenskaplig fält (neurobiologi, datavetenskap och statistisk fysik). Kursen ger en överblick och en grundläggande förståelse för neurala-nätverksalgoritmer.

Lärandemål (efter fullgjord kurs ska studenten kunna)

förstå och förklara styrkor och svagheter i de neurala-nätverksalgoritmer som diskuteras i klassen 

fastställa under vilka omständigheter neurala nätverk är användbara i verkliga tillämpningar 

skilja mellan övervakad och oövervakad inlärning och förklara de viktigaste principerna för de motsvarande algoritmerna 

effektivt och tillförlitligt implementera algoritmerna som introducerats i klassen på en dator, tolka resultaten av datorsimuleringar 

beskriva principer för fler generella optimeringsalgoritmer 

skriva välstrukturerade tekniska rapporter på engelska presentera och förklara analytiska beräkningar och numeriska resultat 

kommunicera resultat och slutsatser på ett tydligt och logiskt sätt

Innehåll

Introduktion till neurala nätverk (McCulloch Pitts nervceller, associativa minnesproblem, Hopfield modell och Hebbs regel, lagringskapacitet, energi funktion) Stochastic neurala nätverk (brus, ordningsparameter, medelfältteori för lagringskapacitet) 

Optimering 

Övervakad inlärning: perceptroner och skiktade nätverk (frammatnings nätverk, flerskiktade perceptroner, lutning härkomst, backpropagation, konjugat-gradient metoder, prestanda skiktade nätverk) 

Oövervakad inlärning (Hebbianskt lärande, Ojas regel, konkurrensutsatt lärande, topografiska kartor) 

Återkommande (recurrent) nätverk och tidsserieanalys (återkommande backpropagation, backpropagation i tiden 

Organisation

Föreläsningar, hemuppgifter, övningsklasser.


Litteratur

Föreläsningsanteckningar. Baserade på kursboken: Hertz, A. Krogh, and R. G. Palmer, Introduction to the theory of neural computation, Addison-Wesely, Redwood City (1991).




Ytterligare läsning: S. Haykin, Neural Networks: a comprehensive foundation, 2nd ed., Prentice Hall, New Jersey (1999)

Examination

Examinationen baseras på övningar och hemuppgifter (100%). 


Sidansvarig Publicerad: on 24 jan 2018.