Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Neurális hálózatok

    A tantárgy angol neve: Neural Networks

    Adatlap utolsó módosítása: 2007. június 15.

    Tantárgy lejárati dátuma: 2009. november 24.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Villamosmérnöki Szak

    Műszaki Informatika Szak

    Választható tárgy

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMM9107   4/0/0/v 5 1/1
    3. A tantárgyfelelős személy és tanszék Dr. Horváth Gábor,
    A tantárgy tanszéki weboldala http://www.mit.bme.hu/oktatas/targyak/vimm9107/
    4. A tantárgy előadója

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Horváth Gábor

    docens

    MIT

    5. A tantárgy az alábbi témakörök ismeretére épít

    Sztochasztikus folyamatok, Valószínűségszámítás

    6. Előtanulmányi rend
    Ajánlott:

    Tematikaütközés miatt a tárgyat csak azok vehetik fel, akik korábban nem hallgatták a következő tárgyakat:

    Vimm4373 Tanuló és hibrid információs rendszerek

    7. A tantárgy célkitűzése

    A tárgy célja, hogy megismertesse a hallgatókkal a "neurális" számítási paradigmát, a mesterséges neurális hálózatok elméleti alapjait, felépítését, bemutassa a tanulás szerepét és áttekintse a legfontosabb tanulási algoritmusokat. A tárgy részletesen foglalkozik a neurális hálózatok alkalmazási lehetőségeivel, és összefoglalja ezen hálózatok hatékony megvalósítási (hardver és szoftver) lehetőségeit.

    8. A tantárgy részletes tematikája

    Algoritmikusan nehezen megoldható feladatok. A tanulás szerepe a feladat-megoldásokban. Gépi tanulás. Ellenőrzött (felügyelt) tanulás. Hibakorrekciós eljárások (gradiens módszerek, kereső eljárások, genetikus algoritmusok).

    Nemellenőrzött (felügyelet nélküli) tanulás. Hebb szabály, Oja szabály. Versengő tanulás.

    Tanuláson alapuló elosztott párhuzamos számító rendszerek, neurális hálózatok:

    Az elemi neuron és felügyelt tanítási algoritmusa. Egy- és többrétegű előrecsatolt hálózat, az előre csatolt hálózatok tanítása: backpropagation algoritmus.

    Lokális és globális visszacsatolást tartalmazó hálózatok. Dinamikus neurális rendszerek és tanításuk: Dinamikus backpropagation,

    A statisztikus tanuláselmélet alapjai, szupport vektor gépek (SVM, LSSVM). Kernel módszerek

    Nemellenőrzött tanulási hálózatok. Kohonen hálók. Lineáris és nemlineáris adattömörítő hálók: PCA, ICA.

    Analitikus tanulási hálózatok. Hopfield hálózatok. Boltzmann gép. Mean field elmélet.

    Neurális hálózatok alkalmazása (felismerési problémák megoldása, optimalizálási feladatok megoldása, egy- és többdimenziós jelfeldolgozás, nemlineáris jelfeldolgozás, nemlineáris dinamikus rendszerek identifikációja, előrejelzés stb.). A neurális hálózatok gyakorlati alkalmazásainál felmerülő problémák és azok megoldási lehetőségei.

    Hardver és szoftver implementálási kérdések

    A mesterséges neurális hálózatoknál tárgyalt párhuzamos algoritmusok implementálására alkalmas általános és speciális párhuzamos működésű hardver rendszerek.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    (előadás, gyakorlat, laboratórium):

    Előadás

    10. Követelmények

    a. A szorgalmi időszakban: házi feladat bemutató keretében történő elégséges szintű beadása. A feladatbeadás határideje a szorgalmi időszak utolsó hete.

    b. A vizsgaidőszakban: szóbeli vizsga

    1. Elővizsga: igény esetén a szorgalmi időszak utolsó hetében
    12. Konzultációs lehetőségek

    A félévközi feladat megoldásához rendszeres (kéthetenkénti) konzultáció.

    13. Jegyzet, tankönyv, felhasználható irodalom

    Horváth, G. (szerk): "Neurális hálózatok és műszaki alkalmazásaik" Egyetemi tankönyv, Műegyetemi Kiadó, 1998.

    Haykin, S.: "Neural Networks. A Comprehensive Foundation" Second Edition, Prentice Hall. 1999.

    Hassoun, M. H.: "Fundamentals of Artificial Neural Networks" MIT press, Cambridge, 1995

    Mitchell, T. "Machine Learning" McGraw Hill, New York, 1997.

    Schölkopf, B, Buges, C.J.C., Smola, A. J.: "Advances in Kernel Methods, Support Vector Learning" MIT Press, Cambridge, MA. 1999.

    A Méréstechnika és Információs Rendszerek Tanszék WWW szerverén található összefoglaló anyag.

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

    (a tantárgyhoz tartozó tanulmányi idő körülbelüli felosztása a tanórák, továbbá a házi feladatok és a zárthelyik között (a felkészülésre, ill. a kidolgozásra átlagosan fordítandó/elvárható idők félévi munkaórában, kredit x 30 óra, pl. 5 kredit esetén 150 óra)):

     

    Kontakt óra

    56

    Félévközi készülés órákra

     

    Felkészülés zárthelyire

     

    Házi feladat elkészítése

    34

    Kijelölt írásos tananyag elsajátítása

    20

    Vizsgafelkészülés

    40

    Összesen

    150

    15. A tantárgy tematikáját kidolgozta

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Horváth Gábor

    Docens

    MIT