Neuronske mreže
Prikazani su podaci za akademsku godinu: 2023./2024.
Laboratorijske vježbe
Opis predmeta
Predmet omogućuje studentima stjecanje znanja iz teorije i primjena umjetnih neuronskih mreža: Biološke neuronske mreže. Umjetne neuronske mreže. Definicija. Modeli neurona. Aktivacijska funkcija. Topologije mreža. Perceptron. Zakoni učenja. Asocijativne mreže. Linearni asocijator. Rekurzivne asocijativne mreže. Hopfieldova mreža. Energetska funkcija. Višeslojne mreže. Radijalne mreže. Mreže s potpornim vektorima. Delta pravilo za povratnu propagaciju pogreške. Kohonenova samoorganizirajuća mreža. Algoritam s K srednjih vrijednosti. Boltzmannov stroj. Simulirano hlađenje. Programski paketi za simulaciju. Primjene u raspoznavanju uzoraka te analizi signala i slika.
Studijski programi
Sveučilišni diplomski
Izborni predmeti (1. semestar) (3. semestar)[FER3-HR] Automatika i robotika - profil
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti profila
(1. semestar)
(3. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti profila
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Računarska znanost - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti profila
(1. semestar)
(3. semestar)
[FER3-HR] Znanost o mrežama - profil
Izborni predmeti
(1. semestar)
(3. semestar)
[FER3-HR] Znanost o podacima - profil
Izborni predmeti
(1. semestar)
(3. semestar)
Izborni predmeti profila
(1. semestar)
(3. semestar)
[FER2-HR] Elektroničko i računalno inženjerstvo - profil
preporučeni izborni predmeti
(3. semestar)
[FER2-HR] Obradba informacija - profil
Predmeti specijalizacije profila
(3. semestar)
[FER2-HR] Programsko inženjerstvo i informacijski sustavi - profil
preporučeni izborni predmeti
(3. semestar)
[FER2-HR] Računalno inženjerstvo - profil
preporučeni izborni predmeti
(3. semestar)
[FER2-HR] Računarska znanost - profil
preporučeni izborni predmeti
(3. semestar)
[FER2-HR] Telekomunikacije i informatika - profil
preporučeni izborni predmet
(3. semestar)
Ishodi učenja
- Razumijevanje temeljnih koncepata neuronskih mreža
- Sposobnost kreiranja rješenja temeljenih na neuronksim mrežama
- Sposobnost prilagodbe postojećih neuronskih mreža novom problemu
- Sposobnost korištenja postojećih programskih okvira za rad asa neuronskim mrežama
- Sposobnost procjene uspješnosti rješenja temeljenih na neuronskim mrežama
Oblici nastave
Predavanja
Na predavanjima se izlažu teorijski koncepti i algoritmi praćeni konkretnim primjerima.
LaboratorijLaboratorijske vježbe rade se na računalu. Tijekom vježbi studenti isprobavaju teorijske koncepte te ih primjenjuju na konkretne probleme
OstaloTimski projekt u kojem studenti rješavaju stvarni praktični problem analize biomedicinskih slika
Način ocjenjivanja
Kontinuirana nastava | Ispitni rok | |||||
---|---|---|---|---|---|---|
Vrsta provjere | Prag | Udio u ocjeni | Prag | Udio u ocjeni | ||
Laboratorijske vježbe | 50 % | 20 % | 50 % | 20 % | ||
Seminar/Projekt | 20 % | 20 % | 20 % | 20 % | ||
Međuispit: Pismeni | 20 % | 30 % | 0 % | |||
Završni ispit: Pismeni | 20 % | 30 % | ||||
Ispit: Pismeni | 50 % | 60 % |
Napomena / komentar
Prag na zbroj rezultata na međuispitu i završnom ispitu je 50%.
Tjedni plan nastave
- Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
- Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
- Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
- Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
- Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
- Mreže radijalnih baznih funkcija (rješavanje problema interpolacije pomoću mreža radijalnih bazni funkcija, mreže poopćenih radijalnih baznih funkcija, odnos naspram teorije regularizacije)
- (en) Support vector machine for classification
- Međuispit
- Povratne neuronske mreže (Hopfieldova mreža, Boltzmannov stroj, Elmanova mreža, Jordanova mreža) i algoritmi učenja (propagacija pogreške unazad kroz vrijeme, povratna propagacija unazad)
- Samoorganizirajuće mreže (hebbovsko nendzirano učenje, Ojaovo pravilo učenja, PCA pomoću samoorganizirajućih mreža, Sangerovo pravilo učenja, natjecateljsko nenadzirano učenje, mreže pobjednik-uzima-sve, Kohonenove samoorganizirajuće mape)
- Mrežni sklopovi (odborni strojevi, kombiniranje eksperata, konvulcijske neuronske mreže)
- Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
- Duboki generativni modeli: kaskadirani ograničeni Boltzmannovi strojevi. konvolucijski autoenkoderi. varijacijski autoenkoderi. suparnički modeli. rijetki modeli
- Projekt
- Završni ispit
Literatura
(.), S. Haykin (1998.), Neural Networks, 2nd Ed., Prentice Hall,
(.), J. A. Anderson (1995.), An Introduction to Neural Networks, MIT Press,
Za studente
Izvedba
ID 222514
Zimski semestar
5 ECTS
R1 Engleski jezik
R2 E-učenje
30 Predavanja
0 Seminar
0 Auditorne vježbe
15 Laboratorijske vježbe
0 Konstrukcijske vježbe
Ocjenjivanje
87 izvrstan
75 vrlo dobar
63 dobar
51 dovoljan