Line 54: Line 54:
 
!Literatúra
 
!Literatúra
 
|-
 
|-
|19.2.
+
|18.2.
|Úvod do umelých neurónových sietí (NS, konekcionizmu): inšpirácia z neurobiológie, stručná história NS, základné koncepty. NS s logickými neurónmi. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.intro.L01.4x.pdf slajdy]-->
+
|Podmienky na absolvovanie predmetu. Úvod k predmetu, inšpirácia z neurobiológie, stručná história NS, základné koncepty. NS s logickými neurónmi. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.intro.L01.4x.pdf slajdy]-->
 
| [U1/1][U2/1][U3]
 
| [U1/1][U2/1][U3]
 
|-
 
|-
|26.2.
+
|25.2.
|Binárny/spojitý perceptrón: učenie s učiteľom, chybové funkcie, učiace pravidlá, klasifikácia vzorov, lineárne separovateľné problémy. Súvis s Bayesovským lineárnym klasifikátorom.  <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.perceptron.L02.4x.pdf slajdy]-->
+
|Binárny a spojitý perceptrón: učenie s učiteľom, chybové funkcie, binárna klasifikácia a regresia, lineárna separovateľnosť. Súvis s Bayesovským klasifikátorom.  <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.perceptron.L02.4x.pdf slajdy]-->
 
|[U2/3][U1/5]
 
|[U2/3][U1/5]
 
|-
 
|-
 
|05.3.
 
|05.3.
|Lineárne NS: vektorové priestory, autoasociatívna pamäť (model General Inverse), ortogonálna projekcia, detektor novosti. Pamäť korelačnej matice (CMM model). <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.linear-memories.L03.4x.pdf slajdy]-->
+
|Jednovrstvové NS: klasifikácia do n-tried. Chybové funkcie, súvis s teóriou informácie. Lineárna autoasociácia - model General Inverse. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.linear-memories.L03.4x.pdf slajdy]-->
 
|[U1/4]
 
|[U1/4]
 
|-
 
|-
 
|12.3.
 
|12.3.
|Viacvrstvový perceptrón: algoritmus spätného šírenia chyby (BP). Trénovacia a testovacia množina, generalizácia. Validácia, selekcia modelu. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.mlp.L04.4x.pdf slajdy]-->
+
|Viacvrstvový perceptrón: algoritmus BP. Trénovanie, validácia, testovanie. Selekcia modelu. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.mlp.L04.4x.pdf slajdy]-->
 
|[U1/5][U2/4][U5/5]
 
|[U1/5][U2/4][U5/5]
 
|-
 
|-
 
|19.3.
 
|19.3.
|Modifikácie gradientových metód učenia, optimalizácia druhého rádu, regularizácia. Hlboké siete (úvod).   <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.deep.L05.4x.pdf slajdy]-->
+
|Modifikácie gradientových metód, optimalizácia druhého rádu, regularizácia. Problémy optimalizácie. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.deep.L05.4x.pdf slajdy]-->
 
|[U1/5][U2/4][U5][U6/3]
 
|[U1/5][U2/4][U5][U6/3]
 
|-
 
|-

Revision as of 17:15, 12 February 2020

Neurónové siete 2-AIN-132

Cieľom predmetu je oboznámiť so základnými konceptmi a algoritmami učenia umelých neurónových sietí a ich použitím pri riešení rôznych úloh. Teoretické prednášky sú kombinované s praktickým modelovaním na cvičeniach v jazyku Python.

Novinky

V prednáškach budú robené čiastočné zmeny. Niektoré staršie časti budú skrátené, niektoré novšie veci pridané. Aktualizovaný sylabus bude zverejnený pred začiatkom semestra.


Rozvrh výučby

Druh výučby Deň Čas Miesto Vyučujúci
Prednáška utorok TBA TBA Igor Farkaš
Praktické cvičenie streda TBA TBA Juraj Holas, Endre Hamerlik


Sylabus

Dátum Názov prednášky Literatúra
18.2. Podmienky na absolvovanie predmetu. Úvod k predmetu, inšpirácia z neurobiológie, stručná história NS, základné koncepty. NS s logickými neurónmi. [U1/1][U2/1][U3]
25.2. Binárny a spojitý perceptrón: učenie s učiteľom, chybové funkcie, binárna klasifikácia a regresia, lineárna separovateľnosť. Súvis s Bayesovským klasifikátorom. [U2/3][U1/5]
05.3. Jednovrstvové NS: klasifikácia do n-tried. Chybové funkcie, súvis s teóriou informácie. Lineárna autoasociácia - model General Inverse. [U1/4]
12.3. Viacvrstvový perceptrón: algoritmus BP. Trénovanie, validácia, testovanie. Selekcia modelu. [U1/5][U2/4][U5/5]
19.3. Modifikácie gradientových metód, optimalizácia druhého rádu, regularizácia. Problémy optimalizácie. [U1/5][U2/4][U5][U6/3]
26.3. Hebbovské učenie bez učiteľa, extrakcia príznakov, analýza hlavných komponentov (PCA). [U2/8]
02.4. Učenie so súťažením, samoorganizujúca sa mapa (SOM), klasterizácia, topografické zobrazenie, redukcia dimenzie. [U1/7][U2/9]
09.4. NS s radiálnymi bázovými funkciami (RBF), funkčná aproximácia, trénovanie, RLS algoritmus. [U2/5-6]
16.4. Hopfieldov model NS: deterministická dynamika, atraktory v stavovom priestore, autoasociatívna pamäť, náčrt stochastického modelu. [U1/8][U2/13]
23.4. voľno - Veľká noc
30.4. Modelovanie sekvenčných dát: dopredné NS s časovým oneskorením, čiastočne a úplne rekurentné modely, model SRN, (gradientové) algoritmy trénovania. [U1/6][U2/15]
07.5. Deterministické rekurentné modely NS: Organizácia stavového priestoru v SRN, siete s echo stavmi (ESN), rekurentná SOM, model LSTM. [U1/6][U4]
14.5. Stochastické rekurentné modely NS: základné koncepty teórie pravdepodobnosti a štatistickej mechaniky, Boltzmannov stroj, RBM model, Deep Belief Network. [U2][U5]

Literatúra

  • Kvasnička V., Beňušková., Pospíchal J., Farkaš I., Tiňo P. a Kráľ A. (1997). Úvod do teórie neurónových sietí. Iris: Bratislava. [U1]
  • Haykin S. (2009). Neural Networks and Learning Machines (3rd ed.). Upper Saddle River, Pearson Education (k dispozícii na štúdium v knižnici FMFI, ale aj stiahnuteľné z webu). [U2]
  • Farkaš I. (2011). Neural networks. Knižničné a edičné centrum FMFI UK v Bratislave. Novšia verzia z roku 2016. [U3]
  • Jaeger H. (2007). Echo-state network. Scholarpedia, 2(9):2330. [U4]
  • Goodfellow I., Bengio Y., Courville A. (2016). Deep Learning. MIT Press. [U5]
  • Kuzma T. (2016). Deep Learning in Neural Networks. Knižničné a edičné centrum FMFI UK v Bratislave. [U6]

Podmienky absolvovania a spôsob hodnotenia

  • Odovzdanie aspoň dvoch (z troch) projektov počas semestra (max. 3x7 = 21 bodov). Termíny na odovzdanie projektov budú včas uvedené na stránke. Projekty budú ponúkať aj bonusy (max. 2 body).
  • Študent môže byť požiadaný, aby prezentoval svoj funkčný kód na cvičení ako súčasť odovzdania projektu. Na cvičeniach sa budú robiť malé úlohy, za ktoré tiež bude možné získať body (max. 11 za semester).
  • Absolvovanie záverečnej písomno-ústnej skúšky (3 otázky po 6 bodov, pseudonáhodný výber). Na skúšku sa môže prihlasiť len ten, kto má oznámkované aspoň dva projekty s fungujúcim kódom. Skúška je povinná, písomno-ústna, je nutné získať aspoň 6 bodov.
  • Prednášky sú dobrovoľné, za účasť však možno získať max. 3 body.
  • Celkové hodnotenie: A (50-46), B (45-41), C (40-36), D (35-31), E (30-26), Fx (25-0).

Projekty počas semestra

  • Projekt, spolu so zdrojovým kódom, sa odovzdáva k stanoveného termínu. Za každý oneskorený kalendárny deň (max. 7 dní) odovzdania vzniká malus 1 bod (až do nuly). Úspešný projekt (fungujúci model) odovzdaný viac ako týždeň po termíne sa započítava bez bodov.
  • Pri projekte sa hodnotí najmä obsah, ale záleží aj na forme. Obsah projektu musí byť zrozumiteľný, aby čitateľ videl, čo ste robili a ako ste to robili, t.j. grafické výstupy musia byť kombinované so sprievodným textom. Za výraznejšie formálne a gramatické nedostatky môžu byť strhnuté body.
  • Model je naprogramovaný v jazyku Python a projekt sa odovzdáva vo formáte PDF.
  • Pri zistení plagiátorstva študent(ka) získava automaticky nula bodov z projektu a nebude pripustený(-á) ku skúške.