Neuronske mreže

Prikazani su podaci za akademsku godinu: 2024./2025.

Nositelji

Akademik prof. dr. sc.
Sven Lončarić
Prof. dr. sc.
Marko Subašić
Izv. prof. dr. sc.
Tomislav Petković

Predavanja

Dr. sc.
Donik Vršnak

Laboratorijske vježbe

Ivana Matovinović
univ. mag. ing. inf. et comm. techn.
Franko Šikić
univ. mag. ing. comp.
Katarina Tolja
univ. mag. ing. el.
Roko Franetović
univ. mag. ing. comp.

Opis predmeta

Predmet omogućuje studentima stjecanje znanja iz teorije i primjena umjetnih neuronskih mreža.
Predmet obrađuje sljedeće teme: Biološke i umjetne neuronske mreže. Modeli neurona. Aktivacijska funkcija. Topologije mreža. Perceptron. Zakoni učenja. Asocijativne mreže. Linearni asocijator. Višeslojne mreže. Delta pravilo za povratnu propagaciju greške. Stroj potpornih vektora. Radijalne mreže. Rekurzivne mreže. Hopfieldova mreža. Energetska funkcija. Boltzmannov stroj. Simulirano hlađenje. Algoritam s K srednjih vrijednosti. Kohonenova samoorganizirajuća mreža. Programski paketi za simulaciju. Primjene u raspoznavanju uzoraka te analizi signala i slika.

Preduvjeti

Dobro predznanje iz matematike što uključuje linearnu algebru, vektorske prostore, infinitezimalni račun, vjerojatnost i statistiku.

Studijski programi

Sveučilišni diplomski
[FER3-HR] Audiotehnologije i elektroakustika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Automatika i robotika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Biomedicinsko inženjerstvo - studij
Izborni predmeti (1. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Elektroničko i računalno inženjerstvo - profil
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Elektrostrojarstvo i automatizacija - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Informacijsko i komunikacijsko inženjerstvo - profil
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
[FER3-HR] Komunikacijske i svemirske tehnologije - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Programsko inženjerstvo i informacijski sustavi - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Računalno modeliranje u inženjerstvu - profil
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

  1. Razumijevanje temeljnih koncepata neuronskih mreža
  2. Sposobnost kreiranja rješenja temeljenih na neuronksim mrežama
  3. Sposobnost prilagodbe postojećih neuronskih mreža novom problemu
  4. Sposobnost korištenja postojećih programskih okvira za rad asa neuronskim mrežama
  5. Sposobnost procjene uspješnosti rješenja temeljenih na neuronskim mrežama

Oblici nastave

Predavanja

Na predavanjima se izlažu teorijski koncepti i algoritmi praćeni konkretnim primjerima.

Laboratorij

Laboratorijske vježbe rade se na računalu. Tijekom vježbi studenti isprobavaju teorijske koncepte te ih primjenjuju na konkretne probleme

Ostalo

Timski 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

  1. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  2. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  3. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  4. Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  5. Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  6. Mreže radijalnih baznih funkcija (rješavanje problema interpolacije pomoću mreža radijalnih bazni funkcija, mreže poopćenih radijalnih baznih funkcija, odnos naspram teorije regularizacije)
  7. (en) Support vector machine for classification
  8. Međuispit
  9. Povratne neuronske mreže (Hopfieldova mreža, Boltzmannov stroj, Elmanova mreža, Jordanova mreža) i algoritmi učenja (propagacija pogreške unazad kroz vrijeme, povratna propagacija unazad)
  10. 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)
  11. Mrežni sklopovi (odborni strojevi, kombiniranje eksperata, konvulcijske neuronske mreže)
  12. Duboke konvolucijske mreže: slojevi. arhitekture. vizualizacija. fina prilagodba. aplikacije. izvedbeni detalji
  13. Duboki generativni modeli: kaskadirani ograničeni Boltzmannovi strojevi. konvolucijski autoenkoderi. varijacijski autoenkoderi. suparnički modeli. rijetki modeli
  14. Projekt
  15. Završni ispit

Literatura

Simon S. Haykin (2009.), Neural Networks and Learning Machines, Prentice Hall
James A. Anderson (1995.), An Introduction to Neural Networks, MIT Press
Charu C. Aggarwal (2023.), Neural Networks and Deep Learning, Springer Nature

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
0 Vježbe tjelesnog odgoja

Ocjenjivanje

87 izvrstan
75 vrlo dobar
63 dobar
51 dovoljan

Sličan predmet