Detail předmětu
Fuzzy systémy a neuronové sítě
FSI-RNFAk. rok: 2020/2021
Kurz seznamuje s nejužívanějšími paradigmaty neuronových sítí, dále se zabývá možnými technicky orientovanými aplikacemi neuronových sítí a jejich praktickým využitím. Výuka teorie se zaměřuje zejména na dynamiku neuronů a zvlášť jejich aktivaci, signály a aktivační modely; na dynamiku synapsí, a to jak na učení bez učitele, tak na učení s učitelem (soutěživé učení, zpětné šíření); architektury sítí a rovnovážný bod sítí. Dále je porovnána neuronová reprezentace a fuzzy reprezentace strukturované znalosti a uvedených poznatků je využito ke konstrukci řídících členů.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
Prerekvizity
Plánované vzdělávací činnosti a výukové metody
Způsob a kritéria hodnocení
Učební cíle
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Základní literatura
Rojas, R.: Neural Networks, 1996
Elearning
Zařazení předmětu ve studijních plánech
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
2. Aditivní bivalentní modely, obecné neuronové aktivace, učení jako kódování.
3. Základní pravidla učení bez učitele, stochastické učení bez učitele a stochastický rovnovážný stav.
4. Učení s učitelem, učení jako stochastické učení vzorů se známou příslušností ke třídě, jako stochastická aproximace.
5. Algoritmus zpětného šíření.
6. Neuronové sítě jako stochastické gradientní systémy, synaptická konvergence k centroidům.
7. Globální rovnovážný stav: konvergence a stabilita, globální stabilita zpětnovazebních neuronových sítí, strukturální stabilita učení bez učitele.
8. Fuzzy množiny a systémy, neurčitost v pravděpodobnostním prostředí, náhodnost proti víceznačnosti.
9. Fuzzy a neuronové aproximace funkcí, neuronová reprezentace a fuzzy reprezentace strukturované znalosti.
10. Řídící členy založené na matematickém modelu a na aproximátoru.
11. Fuzzy řídící členy.
12. Řídící členy založené na Kalmanově filtru.
13. Shrnutí.
Laboratorní cvičení
Vyučující / Lektor
Osnova
2. Perceptron I: model neuronu, aktivační funkce, tvorba sítě.
3. Perceptron II: omezení perceptronu, XOR problém.
4. Lineární sítě I: model neuronu, aktivační funkce, tvorba sítě.
5. Lineární sítě II: automatické nastavení vah, učení.
6. Backpropagation I: model neuronu, topologie, algoritmus učení, zadání projektu.
7. Backpropagation II: omezení algoritmu, momentum, adaptivní krok učení.
8. Backpropagation III: Levenberg - Marquardt pravidlo učení.
9. Sít s radiálními bázemi: model neuronu, tvorba sít, určení počtu vstupních neuronů.
10. Rekurentní sítě: Hopfieldův model.
11. Rekurentní sítě: Elmanův model.
12. Práce na projektu, konzultace projektu.
13. Zápočet.
Elearning