Автор: Михаил Тарков | Новосибирский Государственный Университет
Форма обучения:
дистанционная
Стоимость самостоятельного обучения:
бесплатно
Доступ:
свободный
Документ об окончании:
 
Уровень:
Специалист
Длительность:
12:23:00
Студентов:
2174
Выпускников:
479
Качество курса:
4.52 | 4.28
Излагаются основы построения нейрокомпьютеров. Дается детальный обзор и описание важнейших методов обучения нейронных сетей различной структуры, а также задач, решаемых этими сетями. Рассмотрены вопросы реализации нейронных сетей.
Искусственные нейронные сети реализуют одну из парадигм искусственного интеллекта, а именно, коннекционистскую. Это означает, что преобразование, выполняемое сетью, определяется значениями весовых коэффициентов и топологией межнейронных соединений. Вместо программирования в традиционных вычислительных системах здесь используется обучение сети, которое сводится к настройке весовых коэффициентов с целью оптимизации заданного критерия качества функционирования сети. Нейронные сети хорошо решают те задачи, которые с трудом поддаются алгоритмизации: распознавание образов, реализация ассоциативной памяти, комбинаторная оптимизация.В курсе лекций рассматриваются: основные модели искусственного нейрона и сетей, использующих искусственный нейрон в качестве своего элемента; варианты обучения сетей: обучение с учителем и самообучение (самоорганизация). Обученная сеть подвергается редукции (упрощению) с целью повышения эффективности ее реализации и функционирования. Нейронные сети могут быть реализованы как электронным (на основе СБИС), так и оптическим способами.
Специальности: Программист
ISBN: 978-5-9556-0063-5
 

План занятий

Занятие
Заголовок <<
Дата изучения
Лекция 1
17 минут
Введение в нейрокомпьютерные системы
Рассматриваются: символьная и коннекционистская парадигмы искусственного интеллекта, понятие искусственной нейронной сети (НС), история возникновения и перспективы развития НС, отличия НС от традиционных вычислительных систем.
Оглавление
    -
    Лекция 2
    32 минуты
    Модели нейронов
    Рассматриваются структура и функции различных моделей нейрона: персептрон, сигмоидальный нейрон, адалайн, Паде-нейрон, нейрон с квадратичным сумматором, сигма-пи нейроны, нейрон Хебба, стохастическая модель нейрона, кубические модели нейронов.
    Оглавление
      -
      Лекция 3
      22 минуты
      Задача линейного разделения двух классов
      Рассматриваются: решение задачи линейного разделения двух классов методом центров масс, алгоритм обучения персептрона, виды обучения, геометрическая интерпретация задачи разделения двух классов.
      Оглавление
        -
        Лекция 4
        18 минут
        Задача нелинейного разделения двух классов
        Рассматриваются: решение задачи нелинейного разделения двух классов методом максимума правдоподобия и многослойной сетью, реализация булевых функций посредством нейронной сети.
        Оглавление
          -
          Лекция 5
          26 минут
          Виды нейронных сетей и способы организации их функционирования
          Рассматриваются: варианты многослойных сетей, режимы функционирования сетей, предобработка входных данных сети, виды интерпретации ответов НС, задача аппроксимации функций и оценка способности сети решить эту задачу.
          Оглавление
            -
            Лекция 6
            29 минут
            Многослойные сети сигмоидального типа
            Рассматриваются: многослойный персептрон, алгоритм обратного распространения ошибки, подбор коэффициента обучения (одномерная минимизация), методы инициализации весов сети.
            Оглавление
              -
              Лекция 7
              21 минута
              Градиентные алгоритмы обучения сети
              Рассматриваются: особенности задачи оптимизации, возникающей при обучении нейронных сетей; алгоритмы выбора направления минимизации: алгоритм наискорейшего спуска, партан-методы, одношаговый квазиньютоновский метод и сопряженные градиенты.
              Оглавление
                -
                Лекция 8
                27 минут
                Методы глобальной оптимизации
                Рассматриваются: алгоритм имитации отжига, генетические алгоритмы, использование случайных возмущений в обучении (метод виртуальных частиц).
                Оглавление
                  -
                  Лекция 9
                  23 минуты
                  Радиальные нейронные сети
                  Рассматриваются математические основы радиальных сетей и методы их обучения. Производится сравнение радиальных и сигмоидальных нейронных сетей.
                  Оглавление
                    -
                    Лекция 10
                    32 минуты
                    Рекуррентные сети как ассоциативные запоминающие устройства
                    Рассматриваются: нейронная сеть Хопфилда как автоассоциативная память, обучаемая с использованием метода Хебба и проекционного метода; гетероассоциативная память на основе сети Хемминга и двунаправленная ассоциативная память.
                    Оглавление
                      -
                      Лекция 11
                      30 минут
                      Решение задач комбинаторной оптимизации рекуррентными сетями
                      Рассматривается решение задачи коммивояжера сетью Хопфилда и машиной Больцмана. Оцениваются параметры функции энергии нейронных сетей, обеспечивающие решение задачи коммивояжера.
                      Оглавление
                        -
                        Лекция 12
                        28 минут
                        Рекуррентные сети на базе персептрона
                        Рассматриваются многослойные рекуррентные сети (персептронная\break сеть с обратной связью, рекуррентная сеть Эльмана, сеть RTRN) и их использование для идентификации динамических объектов.
                        Оглавление
                          -
                          Лекция 13
                          38 минут
                          Самоорганизация (самообучение) нейронных сетей
                          Рассматриваются: метод динамических ядер в классификации без учителя, алгоритмы обучения сетей с самоорганизацией и их применение к компрессии данных и прогнозированию.
                          Оглавление
                            -
                            Лекция 14
                            35 минут
                            Адаптивная резонансная теория (АРТ)
                            Рассматриваются: вопрос о соотношении стабильности и пластичности при запоминании; архитектура, реализация, обучение и характеристики сети АРТ (адаптивной резонансной теории).
                            Оглавление
                              -
                              Лекция 15
                              48 минут
                              Нечеткие и гибридные нейронные сети
                              Рассматриваются: математические основы нечетких систем, преимущества и алгоритмы обучения нечетких нейронных сетей, нечеткие сети с генетической настройкой, экспертные системы на основе гибридных НС.
                              Оглавление
                                -
                                Лекция 16
                                50 минут
                                Контрастирование (редукция) нейронной сети
                                Рассматриваются: методы оценки значимости параметров нейронной сети и сигналов в ней; сокращение числа входов в линейном сумматоре методом "снизу-вверх", метод исключения параметров "сверху-вниз" с ортогонализацией и бинаризация сумматора.
                                Оглавление
                                  -
                                  Лекция 17
                                  12 минут
                                  Методы аппаратной реализации нейрокомпьютеров
                                  Рассматриваются электронные и оптические методы реализации нейрокомпьютеров.
                                  Оглавление
                                    -
                                    1 час 40 минут
                                    -