Předmět: Umělé neuronové sítě a evoluční algoritmy

« Zpět
Název předmětu Umělé neuronové sítě a evoluční algoritmy
Kód předmětu KFY/KNEUR
Organizační forma výuky Přednáška + Cvičení
Úroveň předmětu Bakalářský
Rok studia 2
Semestr Zimní
Počet ECTS kreditů 5
Vyučovací jazyk Čeština
Statut předmětu Povinný
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Vyučující
  • Malý Marek, doc. RNDr. Ph.D.
Obsah předmětu
1. Historický úvod, motivační příklady využití ANN, Neurofyziologické motivace (Biologický neuron, síť), Matematický model neuronu Geometrická interpretace funkce neuronu, Síť perceptronů 2. Vícevrstvá dopředná neuronová síť, učební algoritmus ? Backpropagation, ?Vanishing gradient problem?, Rprop 3. Asociativní neuronové sítě 4. Samoorganizace, Kohonenovy samoorganizační mapy 5. Sítě typu RBF 6. ? 7. Deep learning - Konvoluční neuronové sítě (CNNs) ? (motivace ? klasifikace, detekce ? obrazy, signály Bioinspirace (visual cortex), konvoluce, první konvoluční vrstva a její funkce, celkové schema CNNs, další typické nekonvoluční vrstvy/fáze - nelineární transformace, redukce parametrů (ReLU, pooling, dropout), overfitting/generalizace, význam hlubších konvolučních vrstev, fin. plně propojené vrstvy, využití předtrénovaných sítí, detekce/lokalizace objektů (R-CNNs), deep learning frameworky, ukázky aplikací ) Optimalizační algoritmy 8. Problém globální optimalizace, testovací funkce, slepý algoritmus, horolezecký algoritmus, tabu search 9. Nelderova-Meadova metoda (metoda Simplexu), Algoritmus SOMA (Self-Organizing Migration Algorithm) Evoluční algoritmy 10. -11. Genetické algoritmy - Úvod (biologická inspirace), základní princip a pojmy (?chromozóm?, populace, fitness, selekce (ruleta, turnaj), křížení, mutace, kódování), další rozšíření (schémata, věta o schématech, Grayovo kódování aj., elitářství, škálování, zohlednění okrajových podmínek ? rozbor demonstračních úloh (Problém batohu, Obchodní cestující) 12. Diferenciální evoluce, genetické programování (symbolická regrese) 13. Využití genetických algoritmů pro optimalizaci neuronových sítí (topologie, konfigurace)

Studijní aktivity a metody výuky
nespecifikováno
Výstupy z učení
Cílem kurzu je seznámit posluchače jednak s vybranými typy umělých neuronových sítí, dále pak s některými heuristickými či metaheuristickými optimalizačními algoritmy s důrazem na evoluční algoritmy a s praktickým využitím těchto prostředků spadajících pod tzv. ?umělou inteligenci?. Kurz si neklade za cíl vyčerpávající teoretický výklad výše uvedené problematiky, nýbrž je v rámci vybraných oblastí zaměřen na pochopení příslušných algoritmů posluchači tak, aby byli schopni získané znalosti samostatně aplikovat při řešení relevantních problémů.

Předpoklady
nespecifikováno

Hodnoticí metody a kritéria
nespecifikováno
Odevzdání úspěšně vyřešených zápočtových úloh, úspěšné vykonání zkoušky
Doporučená literatura
  • https://adeshpande3.github.io/adeshpande3.github.io/A-Beginner's-Guide-To-Understanding-Convolutional-Neural-Networks.
  • Goodfellow,I., Bengio,Y., Courville,A. Deep Learning, MIT Press book, 2016 (http://www.deeplearningbook.org).
  • J. Šíma, R. Neruda. Teoretické otázky neuronových sítí, Matfyzpress, Praha 1996, ISBN 80-85863-18-.
  • Kvasnička V., Pospíchal J., Tiňo P. Evoluční algoritmy. Vydavatelství STU Bratislava, 2000. ISBN ISBN 80-227-1.
  • Peterka Ivo. Genetické algoritmy Matematicko-fyzikální fakulta Univerzity Karlovy, 1999 (diplomová práce).
  • Volná Eva. Evoluční algoritmy a neuronové sítě, Ostravská univerzita, Ostrava 2012.


Studijní plány, ve kterých se předmět nachází
Fakulta Studijní plán (Verze) Kategorie studijního oboru/specializace Doporučený ročník Doporučený semestr