| studiehandbok@lith | |
|
|
|
|
|
| TBMI25 | Klassificiering, inlärning och neuronnät, 4 poäng /Classification, Learning and Neural Nets/ För: D4, IT4, Y4, I4, Ii4 | |
| Utbildningsområde: Teknik Ämnesgrupp: Elektroteknik | ||
| Fördjupningsnivå: D | ||
| Klassning för datavetenskaplig examen: 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 parallelism. Som exempel på områden där tekniker baserade på inlärning visat sig vara konkurenskraftiga kan nämnas industriell processoptimering (papper, stål, malm), ekonomisk marknadsprediktion, text- och taligenkänning, dokumentsökning samt bild- och bildsekvens-analys. Förkunskaper: Allm: Algebra, Analys, Matematisk statistik. Spec: Multidimensionell signalbehandling TSBB35, Datorseende TSBB02 Organisation: Föreläsningar, lektioner, laborationer (obl inlämn uppg ingår) Kursinnehåll: Klassificering: - Mönsterigenkänning - Diskriminantfunktioner - Statistiska metoder - Klustering Innehållsadresserade minnen: - Tillståndsrum - Hopfield minnen - Auto- och Hetero-associativa minnen Supervised learning: - Perceptronen - Flerskiktsperceptronen - Stokastisk gradientsökning - "Error backpropagation" algorithmen Unsupervised learning: - Principalkomponentanalys (PCA) - "Winner take all" algorithmer - Topologibevarande metoder - Självorganiserande nät (SOM) Reinforcement learning: - Markov modeller - Belöning - bestraffningsmetoder - Temporal difference metoder (TD) - Q-learning Genetiska metoder: - Genetiska algorithmer - Den tvåarmade banditen - Gener och scheman - Genetisk programmeringKurslitteratur: D.H. Ballard: "An Introduction to Natural Computation", MIT press 1997 B. A. Kröse, P. van der Smagt: "An Introduction to Neural Networks", kurskompendium Exempelsamling Kompletterande material Lab-PM | ||
| TEN1 | En skriftlig tentamen. , 2,5 p. | |
| LAB1 | En laborationskurs, 1,5 p. | |
Undervisningsspråk är Svenska.
| |
|
|
 |
|||||
|
|
||||||
