| TBMI26 |
Neuronnät och lärande system, 4 p
/Neural Networks and Learning Systems/ |
||
Prel. schemalagd
tid: 56 |
|||
|
Utbildningsområde: Teknik Ämnesgrupp: Elektroteknik Nivå (A-D):D |
|||
| Datavetenskap Kognitionsvetenskap |
|||
|
Mål:
Kursen introducerar metoder och beräkningsstrukturer som möjliggör inlärning och självorganisation. Kursen beskriver hur sådana metoder kan användas för att finna meningsfulla samband i multidimensionella signaler där komplexitetsgraden gör traditionella modellbaserade metoder olämpliga eller omöjliga att använda. I praktiska signalbehandlingsproblem är sådana signaler regel, snarare än undantag. Exempel på användningsområden är funktionsanpassning, mönsterigenkänning, innehållsadresserade minnen, prediktion, optimering, processtyrning och klassificering. Många metoder, dock inte alla, har utvecklats med hjärnan som inspirationskälla och en generell strävan är att utveckla beräkningsstrukturer som besitter egenskaper som adaptivitet, inlärningsförmåga, feltolerans, generaliserings- och extrapolationsförmåga, distribuerad kunskapsrepresentation och massiv parallellism. Som exempel på områden där tekniker baserade på inlärning visat sig vara konkurrenskraftiga kan nämnas industriell processoptimering (papper, stål, malm), ekonomisk marknadsprediktion, text- och taligenkänning, dokumentsökning, analys av medicinska data samt bild- och bildsekvensanalys. |
|||
| Förkunskaper: (gäller studerande antagna till program som kursen ges inom, se 'För:' ovan) Nödvändiga: Algebra, Flervariabelanalys, Matematisk statistik. Rekomenderade: Signalbehandling OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande. |
|||
| Organisation: Föreläsningar, lektioner, laborationer (obl inlämn uppg ingår) |
|||
| Kursinnehåll: Klassificering: Mönsterigenkänning, Diskriminantfunktioner; Supervised learning: Perceptronen, Flerskiktsperceptronen, Stokastisk gradientsökning, "Error backpropagation"; Unsupervised learning: Principalkomponentanalys (PCA), Kanonisk korrelationsanalys (CCA), "Independent component analysis" (ICA), "competitive learning", Självorganiserande nät (SOM), Klustering ; Innehållsadresserade minnen: Tillståndsrum, Hopfield minnen; Reinforcement learning: Markov modeller, Q-learning; Genetiska metoder: Genetiska algoritmer, Gener och scheman |
|||
| Kurslitteratur: S. Haykin, Neural Networks, second edition, Prentice Hall 1999 Kurskompendium: Exempelsamling, Kompletterande material, Lab-PM |
|||
| Examination: | |||
| TEN1 LAB1 |
En skriftlig tentamen (U,3,4,5) En laborationskurs (U,G) |
2,5 p 1,5 p |
|
Undervisningsspråk är Svenska.
Institution: IMT.
Studierektor: Göran Salerud
Examinator: Magnus Borga
Länk till kurshemsida på kursgivande institution
Ansvarig utbildningsnämnd: UNY
Engelsk kursplan
Om inget annat anges ovan gäller betygsskala enligt avsnitt a8.5 i de gemensamma bestämmelserna.
Kursplanen gäller för 2006 enligt beslut av ansvarig utbildningsnämnd.
 |
||||||
| ||||||