DID305 Ievads mākslīgos neironu tīklos

Kods DID305
Nosaukums Ievads mākslīgos neironu tīklos
Statuss Obligātais/Ierobežotās 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
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Mākslīgais neirons kā bioloģiskā neirona modelis. 6 6 0 0
Bipolāra diskrēta perceptrona apmācības algoritms. 4 4 0 0
Bipolāra diskrēta perceptrona apmācības algoritms - daudzkategoriju diskrētais perceptrons. 2 2 0 0
Nepārtraukts bipolārs un unipolārs perceptrons. Delta apmācības likums. 4 4 0 0
Neiroskaitļošana. 4 4 0 0
Delta apmācības likums – daudzkategoriju nepārtraukts perceptrons. 6 6 0 0
Kļūdas atgriezeniskās izplatīšanas algoritms. 6 6 0 0
Rekurentie tīkli. 3 3 0 0
LSTM veida tīkli. 3 3 0 0
Pašorganizējošās kartes. 2 2 0 0
Kopā: 40 40 0 0
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
Daļa KP EKPS Stundas Pārbaudījumi Pārbaudījumi (brīvai izvēlei)
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs Ieskaite Eksāmens Darbs
1 2 3 1 0 1 * *

Pieteikties uz šo kursu

[Kursa apraksts PDF formātā]