A. I. Cuza University of Iaşi

Artificial Neural Networks

Course nameArtificial Neural Networks CodeCS3211O1
Class Computer Science, 2005 - 2008 Package 5
Level Undergraduate Year 3 Semester 2 Status Optional
Hours per weekTotal hours per semesterTotal hours of individual workCreditsEvaluation typeTeaching language
CSLPr
2 2 94 5 M ro
Taught byAcademic and scientific title, name
Professor, PhD, Octav Brudaru
Required courses
ObjectivesInsusirea conceptelor de baza referitoare la tipurile de arhitecturi de retele neuronale artificiale (RNA), a metodologiei de proiectare a principalelor clase de algoritmi de invatare, cunosterea de tehnici alternative de instruire a RNA folosind algoritmi genetici. Cunoasterea tipurilor principale de aplicatii practice din domeniul industrial, economic, medical, militar. Crearea si dezvoltarea abilitatilor de implementare a algoritmilor specifici si realizarea de experimente de antrenare.
General thematicsRetele de functii. Perceptronul si instruirea lui. Invatare nesupervizata si algoritmi de clustering. Extragerea componentelor principale. Retele Kohonen. Derivarea functiilor retea. Invatare cu metoda descresterii gradientului. Algoritmul de retropropagare si tehnici de accelerare. Algoritmi cu pas adaptiv. Algoritmi de ordinul doi. Algoritmi genetici pentru retele neuronale. Functii de baza radiale. Aplicatii ale RNA pentru probleme de recunoasterea formelor, predictii in economie, evaluarea riscului etc. Cuprins si exemple de cursuri la: https://www.misp.tuiasi.ro/obrudaru/cuprins_neuronal.html
Seminary / Laboratory thematicsImplementarea functiilor retea. Implementare si analiza comparativa pentru: algoritmi pentru instruirea perceptronului pentru multimi liniar (in)separabile, aplicatii economice. Algoritmi de clustering si aplicatii la recunosterea formelor si compresia imaginilor. Algoritmul Oja pentru extragerea primei componente principale. Aplicatii ale sistemelor Kohonen. Implementarea tehnicii de derivare a functiilor retea, a algoritmului de retropropagare. Implementare si comparatie cu algoritmii Silva-Almeida, delta-bar-delta, Rprop (Riedmiller-Braun), Quickprop. Preprocesarea datelor de antrenare. Aplicatii la predictia evolutiei unor procese economice. Formularea si analiza temelor (limbajul de implementare la alegerea studentului). Grup de lucru pentru (auto)instruire in Neurosolutions (la solicitarea studentilor) http://www.neurosolutions.com/products/ns/nnandnsvideo.html.
Teaching methodsCurs interactiv, dezbateri pe probleme anuntate, studii de caz, descrieri de aplicatii motivante. Dezvoltarea de analogii cu situatii din biologie/natura. Formularea de teme de investigatii individuale. Studii de caz orientate pe aplicatii.
Bibliography
  1. Bishop, Ch. , Neural Networks for Pattern Recognition, Oxford University Press, 2005
  2. Cichocki, A., Unbehauen, R., Neural Networks for Optimization and Signal Processing, John Wiley & Sons, New York, 1993
  3. Hertz, J., Krogh, A., Introduction to the Theory of Neural Computation, Lecture Notes Vol. 1, Addison-Wesley Publishing Company, 1993.
  4. Michalewicz, Y., How to solve it: Modern Heuristics, Springer Verlag, Berlin, 2000
  5. Rojas, R. Neural Networks - A Systematic Introduction, Springer Verlag, Berlin, 1996.
Evaluationconditionsde promovare: minimum 50% din temele pentru acasa realizate si nota minima 5 la proiectul final/ examen
criterias• participarea activa la laboratoare si la dezbateri • intelegerea conceptelor teoretice, corectitudinea implementarilor • calitatea proiectului final • bunusuri la teme optionale.
modesteme pentru acasa (nota t_a), proiect final / examen (nota p_f) ;
formulanota finala=t_a0.7+p_f0.3
© 2006-2010 FII | about | intranet