18. 1. 2020  2:12 Bohdana
Akademický informačný systém

Sylabus predmetu NSIETE_I - Neurónové siete (FIIT - ZS 2019/2020)


     Informačný list          ECTS          Sylabus          


     Slovenčina          Angličtina          


Vysoká škola: Slovenská technická univerzita v Bratislave
Fakulta: Fakulta informatiky a informačných technológií
Kód predmetu: NSIETE_I
Názov predmetu: Neurónové siete
Druh, rozsah a metóda vzdelávacích činností:
prednáška2 hod. týždenne (prezenčná metóda)
cvičenie2 hod. týždenne (prezenčná metóda)
projektová/semestrálna práca1 hod. týždenne (prezenčná metóda)

 
Počet kreditov: 6
 
Odporúčaný semester/trimester: -- obsah tejto položky nebol definovaný --
Stupeň štúdia: 2.
Podmieňujúce predmety: žiadne
 
Podmienky na absolvovanie predmetu:
Priebežné hodnotenie: 3 samostatné projekty a drobné zadania na cvičeniach
Skúška: písomná skúška
Váha skúšky v hodnotení: 40% (min. 7 bodov z 20 nutné získať)
 
Výsledky vzdelávania:
Po absolvovaní predmetu bude študent/ka rozumieť základným princípom konekcionizmu (umelých neurónových sietí), poznať základné modely neurónových sietí a vedieť ich vhodne použiť pri riešení rôznych úloh (napr. rozpoznávanie obrazcov, klasifikácia, predikcia časových radov, zapamätávanie vzorov a iných). Prednášky sú kombinované s počítačovým modelovaním na cvičeniach.
 
Stručná osnova predmetu:
1. Úvod do umelých neurónových sietí (NS): inšpirácia z biológie, základné koncepty, NS s logickými neurónmi.
2. Binárny/spojitý perceptrón: učenie s učiteľom, chybové funkcie, učiace pravidlá, gradient spojitej funkcie, klasifikácia.
3. Lineárne NS: vektorové priestory, autoasociatívna pamäť.
4. Viacvrstvový perceptrón: učenie s učiteľom, algoritmus spätného šírenia chyby, validácia modelu NS, generalizácia, selekcia modelu.
5. Gradientové metódy učenia, úvod do hlbokého učenia.
6. Hebbovské učenie bez učiteľa, analýza hlavných komponentov.
7. Učenie so súťažením, samoorganizujúca sa mapa, klasterizácia, topografické zobrazenie.
8. NS s radiálnymi bázovými funkciami (RBF), trénovanie modelov.
9. Hopfieldov model NS: deterministická dynamika, atraktory, autoasociatívna pamäť.
10. Modelovanie sekvenčných dát: dopredné NS s časovým oneskorením, čiastočne a úplne rekurentné modely (RNN), gradientové algoritmy trénovania.
11. Organizácia stavového priestoru v RNN. Siete s echo stavmi (ESN).
12. Stochastické rekurentné modely NS: Boltzmannov stroj, DBN model.
 
Odporúčaná literatúra:
Základné:
KVASNIČKA, V. Úvod do teórie neurónových sietí. Bratislava: IRIS, 1997. ISBN 80-88778-30-1.

Odporúčaná:
Farkaš I.: Neural networks (slajdy), Knižničné a edičné centrum FMFI UK v Bratislave, 2016, a ďalšie články
Haykin S.: Neural networks and learning machines. Pearson education (3. vyd.) 2009.

 
Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu: slovenský jazyk a anglický jazyk
 
Poznámky:
 
Hodnotenie predmetov:
Celkový počet hodnotených študentov: 99

ABCDEFX
14,1 %21,2 %29,3 %23,2 %4,0 %8,2 %
Vyučujúci: Michal Farkaš (cvičiaci) - slovenský jazyk
doc. Ing. Peter Lacko, PhD. (cvičiaci, prednášajúci, zodpovedný za predmet) - slovenský jazyk
Ing. Matúš Pikuliak (cvičiaci) - slovenský jazyk
 
Dátum poslednej zmeny: 15. 5. 2019
Schválil: doc. Ing. Peter Lacko, PhD. a garant príslušného študijného programu


Poslednú zmenu urobila RNDr. Marta Gnipová dňa 15. 05. 2019.

Typ výstupu: