Neurális hálózatok

Neural Networks

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Neurális hálózatok

Neural Networks

Tantárgykód

BMEVIMM9107

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	4	0	0
jelleg (kapcsolt/önálló)	—	—	—

Tanulmányi teljesítmény/értékelés típusa

vizsga

Tantárgy kreditértéke

Tantárgyfelelős

Dr.. Horváth Gábor

Tantárgyat gondozó oktatási szervezeti egység

—

Kar

Tantárgy weboldala

http://www.mit.bme.hu/oktatas/targyak/vimm9107/

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

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.

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.

Tanulmányi eredmények

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

(előadás, gyakorlat, laboratórium): Előadás

Tanulástámogató anyagok

Online források

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.

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Sztochasztikus folyamatok, Valószínűségszámítás

Képesség típusú kompetenciák

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Sztochasztikus folyamatok, Valószínűségszámítás

Általános szabályok

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 Elővizsga: igény esetén a szorgalmi időszak utolsó hetében

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Tematikaütközés miatt a tárgyat csak azok vehetik fel, akik korábban nem hallgatták a következő tárgyakat: Vimm4373 Tanuló és hibrid információs rendszerek

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.