| TSBB40 | KLASSIFICERING INLÄRNING OCH NEURONNÄT, 3 poäng /Classification, Learning and Neural Nets/ För: D4, Y4 | |
| Utbildningsområde: Teknik Ämnesgrupp: Elektroteknik | ||
| Fördjupningsnivå: D | ||
| Klassning för datavetenskaplig examen: Datavetenskap | ||
| Mål: Kursen introducerar metoder och beräkningsstrukturer som möjliggör inlärning och självorganisation. Kursen beskriver hur dessa kan användas för att finna meningsfulla samband i komplicerade multidimensionella signaler. Sådana signaler finns som regel , snarare än undantag, i praktiska signalbehandlingsproblem. Som exempel kan nämnas marknadsekonomiska variabler eller strukturer förekommande i bilder och bildsekvenser. Många metoder, dock inte alla, har utvecklats med hjärnan som inspirationskälla och en generell strävan är att utveckla beräkningsstrukturer som besitter egenskaper och adaptivitet, feltolerans, generaliseringsförmåga och massiv parallelism. Exempel på användningsområden är funktionsanpassning, mönsterigenkänning, innehållsadresserade minnen, prediktion, optimering, processtyrning och klassificering.Förkunskaper: Algebra, Analys, Matematisk statistik. Multidimensionell signalbehandling TSBB30, Datorseende TSBB02Organisation: Föreläsningar, lektioner och laborationer.Kursinnehåll: - Mönsterigenkänning - Diskriminantfunktioner - Statistiska metoder - Tillståndsrum - Innehållsadresserade minnen - Associativa minnen - "Supervised learning" - Perceptronen - Flerskiktsperceptronen - "Error backpropagation" - "Unsupervised learning" - Självorganiserande nät - Markov modeller - "Reinforcement learning" - Belöning - bestraffningsmetoder - Genetiska algorithmer - Genetisk programmeringKurslitteratur: D.H. Ballard: "An Intorduction to Natural Computation", MIT press 1997 B. A. Kröse, P. van der Smagt: "An Introduction to Neural Networks", kurskompendium Exempelsamling kompletterande material Lab-PM | ||
| TEN 1 | En skriftlig tentamen. | |
| LAB1 | En laborationskurs | |