| Kods | DID305 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Ievads mākslīgos neironu tīklos | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Obligātais izvēles; Brīvās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Pamatstudiju, Akadēmiskais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Henrihs Gorskis, Arita Takahaši | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 2.0 (3.0 ECTS) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Studiju kurss nodrošina studentiem iespēju iemācīties mūsdienīgās informācijas apstrādes pieejas teorētiskos un praktiskos pamatus. Studiju kurss apskata mākslīgo neironu tīklu arhitektūras (vienslāņa, daudzslāņa un rekurenti) un to elementus, adaptēšanas procedūras un pielietojumus optimizācijas un prognozēšanas uzdevumos. Pēc studiju kursa sekmīgas nokārtošanas students būs spējīgs patstāvīgi uzprojektēt un pielietot mākslīgos neironu tīklus dažādu datu analīzes uzdevumu risināšanā.. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir sniegt pamatzināšanas par mākslīgajiem neironu tīkliem un to praktisko pielietojumu dažādu datu analīzes problēmu risināšanai. Studiju kursa uzdevumi: - attīstīt prasmes aprakstīt mākslīgo neironu tīklu darbības principus un spēju pielietot neironu apmācības algoritmus; - iemācīt izskaidrot, salīdzināt un novērtēt neironu tīklu apmācībā iegūtos rezultātus. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Spēj definēt un lietot profesionālo terminoloģiju. - Ar termininoloģiju saistīts vērtējums laboratorijas darbu / patstāvīgo darbu atskaitēs. Spēj pielietot un izskaidrot bipolāru diskrētu perceptronu klasifikācijas uzdevumā ar 2 klasēm. - Sekmīga 1. laboratorijas darba izstrādāšana un aizstāvēšana, kuras laikā: 1) students paskaidro algoritmu pie net=0; 2) students spēj interpretēt korekciju skaita atkarību no iterāciju skaita un to skaita izmaiņas; 3) students spēj interpretēt apmācītā neirona atbildes uz viņa izvēlēto testa kopu. Spēj pielietot un izskaidrot diskrētu bipolāru perceptronu izmantošanu daudzkategoriju klasifikācijas gadījumam. - Sekmīga 2. laboratorijas daba aizstāvēšana: 1) students paskaidro apmācāmās kopas objektu ietekmi uz apmācību; 2) students spēj interpretēt apmācītā neironu tīkla atbildes; 3) spēj izskaidrot , vai ir iespējams interpretēt situācijas, kad visi izejas neironi ir/nav ierosināti. Spēj izvēlēties konkrētai problēmai piemērotu mākslīgo neironu sistēmu. - Eksāmena laikā argumentēti pamato konkrētā neironu tīkla izvēli un interpretē apmācītā tīkla atbildes konkrētās problēmas risinājumam. Spēj realizēt pašorganizējošās karts apmācību. - Sekmīga 3. laboratorijas daba aizstāvēšana: 1) students paskaidro apmācāmās kopas īpašību ietekmi uz iespējamo rezultātu; 2) students spēj novērtēt SOM galastāvokli; 3) spēj identificēt rezultāta trūkumus. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
1. laboratorijas darbs - Klasifikācija ar bipolāru diskrētu perceptronu - 20%
2. laboratorijas darbs - Daudzkategoriju klasifikācija - 20% 3. laboratorijas darbs - Pašorganizējoša karte - 20% Eksāmens - 40% |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātika. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||