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  
Artificial neural networks
 
Kursplanen fastställd 2016-02-13 av programansvarig (eller motsvarande)
Ägare: MPCAS
7,5 Högskolepoäng
Betygskala: TH - Fem, Fyra, Tre, Underkänd
Utbildningsnivå: Avancerad nivå
Huvudområde: Bioteknik, Kemiteknik, Teknisk fysik
Institution: 16 - FYSIK

Kursen är full. Kölista finns hos utbildningssekreteraren: f5xrk@chalmers.se
Undervisningsspråk: Engelska
Sökbar för utbytesstudenter: Ja
Blockschema: B+
Max antal deltagare: 200

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0100 Tentamen 7,5 hp Betygskala: TH   7,5 hp   29 Okt 2018 fm L,  08 Jan 2019 em SB   22 Aug 2019 em SB  

I program

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

Examinator:

Bernhard Mehlig


  Gå till kurshemsida

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 inklusive obligatoriska moment

Slutbetyg baseras delvis på inlämningsuppgifter och delvis på en skriftlig tenta.



Sidansvarig Publicerad: on 24 jan 2018.