Kursplan för Artificiella neurala nätverk

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2016-02-13 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnArtificial neural networks
  • KurskodFFR135
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPCAS
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeBioteknik, Kemiteknik, Teknisk fysik
  • InstitutionFYSIK
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 11113
  • Max antal deltagare200
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0100 Tentamen 7,5 hp
Betygsskala: TH		7,5 hp0 hp0 hp0 hp0 hp0 hp
  • 28 Okt 2019 fm L
  • 08 Jan 2020 em M
  • 20 Aug 2020 em J

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Information saknas

Särskild 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.


Kursplanen innehåller ändringar

  • Ändring gjord på tentamen:
    • 2019-09-20: Plats Plats ändrat från Johanneberg till M av grunnet
      [2020-01-08 7,5 hp, 0100]