Kursplan för
Artificiella neuronnätverk
Artificial Neural Networks
EXTP80, 7,5 högskolepoäng, A (Avancerad nivå)
Gäller för: Läsåret 2016/17
Beslutad av: Utbildningsnämnd B
Beslutsdatum: 2016-03-29
Allmänna uppgifter
Undervisningsspråk: Kursen ges på begäran på engelska
Syfte
Kursens syfte är att ge studenten kunskap om artificiella
neuronnätverk, både teoretiska kunskaper och hur man praktiskt
använder dem för problem inom mönsterigenkänning,
funktionsanpassning och optimering.
Mål
Kunskap och förståelse
För godkänd kurs skall studenten
- förstå och kunna använda den enkla perceptronen för
linjära problem.
- förstå och kunna använda den flerlagriga perceptronen,
inkluderande metoder för inlärning, val av felfunktion,
modellselektering och generalisering.
- förstå innebörden av återkopplade nätverk och dess
användning inom tidsserieanalys.
- förstå och kunna använda olika typer av återkopplade
nätverk, såsom FIR-nätverk, nätverk med tidsfördröjning,
flerlagriga perceptroner med återkoppling och nätverk med
kontextnoder.
- förstå och kunna använda nätverk för att extrahera
principalkomponenter, nätverk för klustring samt nätverk för
så kallad lärarledd vektorkvantisering (LVQ).
- förstå och kunna använda nätverk för så kallade
Self-organizing feature maps (SOFM).
- förstå och kunna formulera enkla kombinatoriska
optimeringsproblem samt kunna använda återkopplade nätverk för
att hitta approximativa lösningar till sådana problem.
- förstå och kunna använda medelfältsapproximationen i
samband med kombinatorisk optimering via nätverk.
Färdighet och förmåga
För godkänd kurs skall studenten
- redogöra för och hantera kommittéer av nätverk samt
redogöra för Bayesiansk träning av flerlagriga
perceptroner.
- redogöra för och hantera fullt återkopplade nätverk för
associativa minnen (Hopfield modellen) samt minimeringstekniken
simulerad avkylning.
- kunna skriva ett datorprogram som tränar en flerlagrig
perceptron för ett binärt klassificeringsproblem samt kunna
utvärdera hur bra nätverket fungerar.
- kunna visa varför en kommitté av flerlagriga perceptroner
oftast fungerar bättre jämfört med att bara använda en
enda.
- kunna skriva ett datorprogram som använder Hopfieldmodellen
för att hitta approximativa lösningar till
grafdelningsproblemet.
Kursinnehåll
- Framåtkopplade nätverk
- Återkopplade nätverk
- Nätverk för självorganisering
- Nätverk för kombinatorisk optimering
Kursens examination
Betygsskala: TH
Prestationsbedömning: För godkänd kurs krävs godkänd tentamen samt godkända datorövningsrapporter samt deltagande i alla obligatoriska moment.
Antagningsuppgifter
Förkunskapskrav:
Begränsat antal platser: Nej
Kurslitteratur
- Enligt av institutionen fastställd litteraturlista, vilken ska finnas tillgänglig senast fem veckor före kursstart.
Kontaktinfo och övrigt
Kursansvarig: Mattias Ohlsson, mattias@thep.lu.se
Hemsida: http://cbbp.thep.lu.se/~mattias/teaching/fytn06/