DID617 Mākslīgās neironu sistēmas informācijas apstrādē

Kods DID617
Nosaukums Mākslīgās neironu sistēmas informācijas apstrādē
Statuss Obligātais/Obligātais izvēles
Līmenis un tips Doktora, Akadēmiskais
Tematiskā joma Datorika
Struktūrvienība Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Mācībspēks Sergejs Paršutins, Jurijs Čižovs
Kredītpunkti 5.0 (7.5 ECTS)
Daļas 1
Anotācija Kurss ir veltīts mākslīgo neironu tīklu konstruēšanai un iekļauj šādas nodaļas: Bioloģiskais neirons. Mākslīgais neirons. Vienslāņu perceptroni. Tiešās saites tīkli. Arhitektūra. Apmācības metodes vienslāņu un daudzslāņutīklos. Atgriezeniskās saites tīkli. Adaptēšanas procedūras. Asociatīvā atmiņa. Konkurējošā apmācība. Programmu nodrošinājums. Neironu tīklu pielietojumi informācijas apstrādē..
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Neironu tīkla jēdziens. Rašanās vēsture, attīstības periodi. 4 0 0 0
Bioloģiskais neirons. Mākslīgais neirons, tā struktūra, sastāvs. 4 0 0 0
Daudzslāņu perceptrons. Arhitektūra. Apmācības algoritms. 6 0 0 0
Neironelementu komplekts Adaline. Arhitektūra. Apmācības algoritms. 6 0 0 0
Mak Kaloka un Pitta neirona modelis. 6 0 0 0
Neironu tīklu klasifikācija. Vienslāņa tīkli. Daudzslāņu tīkli. 6 0 0 0
Neironu tīklu klasifikācija. Tiešās un atgriezeniskās izplatības tīkli. 6 0 0 0
Neironu apmācības likumu klasifikācija. Apmācība ar skolotāju. Apmācība bez skolotāja. 6 0 0 0
Neironu tīklu apmācība. Izslēdzošā VAI realizācijas īpatnības. 4 0 0 0
Diskrētās aktivizācijas funkcijas. Sliekšņa funkcija. 4 0 0 0
Nepārtrauktās aktivizācijas funkcijas. Sigmoidālā funkcija. 4 0 0 0
Daudzslāņu perceptrons. Kļūdas atgriezeniskās izplatības algoritms (error back propagation). Rumelharta funkcija. 6 0 0 0
Arhitektūra ar radiālās aktivizācijas funkciju. Apmācības algoritms. Pielietojums. 6 0 0 0
Kohonena tīkls. Arhitektūra. Apmācības algoritms. Funkcijas. Pielietojums. 6 0 0 0
Neironu tīklu pielietojumi optimizācijā. Īpatnības. Piemēri 2 0 0 0
Neironu tīklu pielietojumi tēlu atpazīšanā. Īpatnības. Piemēri. 2 0 0 0
Neironu tīklu pielietojumi prognozēšanā. Īpatnības. Piemēri. 2 0 0 0
Kopā: 80 0 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Sniegt padziļinātas zināšanas mākslīgo neironu tīklu konstruēšanā un izmantošanā praktiskajos uzdevumos. Balstoties uz mācību procesā iegūtajām zināšanām, doktorantam jāspēj patstāvīgi noformulēt problēmas nostādni un risināt testa un praktiskos uzdevumus
Sasniedzamie studiju
rezultāti un to vērtēšana 		Spēj definēt, interpretēt un lietot profesionālu terminoloģiju, kas saistīta ar mākslīgiem neironu sistēmām - Diskusijas laikā, balstoties uz teorētiskajām zināšanām un izmantojot profesionālu terminoloģiju, ir parādītas spējas konstruktīvi diskutēt par risināmo problēmu.
Spēj risināt klasifikācijas uzdevumu, izmantojot Delta apmācības likumu - Veiksmīga laboratorijas darba izpilde par klasifikācijas uzdevuma risināšanu, izmantojot Delta apmācības likumu
Spēj risināt aproksimācijas uzdevumu, izmantojot neironu tīklu ar kļūdas atgriezenisko izplatību - Veiksmīga laboratorijas darba izpilde par aproksimācijas uzdevuma risināšanu, izmantojot neironu tīklu ar kļūdas atgriezenisko izplatību
Spēj risināt klasterizācijas uzdevumu, izmantojot Kohonena pašorganizācijas karti - Veiksmīga laboratorijas darba izpilde par klasterizācijas uzdevuma risināšanu, izmantojot Kohonena pašorganizācijas karti
Priekšzināšanas Matemātiskā loģika. Ekstrēma meklēšanas metodes. Tēlu atpazīšanas metožu ideja. Mākslīgā intelekta pamati.
Studiju kursa plānojums
Daļa KP EKPS Stundas nedēļā Pārbaudījumi
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs
1 5.0 7.5 2.0 1.0 2.0 *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]