DD2432 Artificiella neuronnät och andra lärande system 6,0 hp

• Utbildningsnivå

  Avancerad nivå

• Kursnivå (A-D)

  D

• Huvudområde

  Informationsteknik
  

• Betygsskala

  A, B, C, D, E, FX, F

• Kursens hemsida

• Kurssida på KTH Social

Lärandemål

Efter kursen ska studenten kunna

• förklara funktionen hos artificiella neuronnät (ANN) av typen Back-prop, Hopfield, RBF och SOM
• förklara skillnaden mellan övervakad och oövervakad inlärning
• redogöra för antaganden och härledningar bakom ANN-algoritmerna som tas upp i kursen
• ge exempel på design och implementation för små problem
• implementera ANN-algoritmer för att uppnå signalbehandling, optimering, klassificering samt processmodellering

för att studenten

• ska få en förståelse för den tekniska potentialen samt fördelar och begränsningar hos dagens lärande och självorganiserande system
• i yrkeslivet ska kunna tillämpa metodiken och producera implementationer

Kursens huvudsakliga innehåll

Kursen omfattar algoritmer som får sina beräkningsegenskaper utifrån träning på exempel. Man slipper alltså att explicit ange regler utan arbetar via träning på uppmätta data. Inlärningen kan antingen vara styrd genom att rätt svar ges, eller vara helt autonom. Kursen går även igenom principer för representation av data i neuronnät. Vi tar upp maskinvaruarkitekturer för neurala beräkningar (neurochips och neurodatorer) och visar hur ANN används i robotik. Vi visar också tekniska tillämpningar av lärande system inom problemområden som mönsterigenkänning, kombinatorisk optimering och diagnos.

Behörighet

För fristående kursstuderande krävs 90 högskolepoäng varav 45 högskolepoäng inom matematik eller informationsteknik. Dessutom krävs engelska B eller motsvarande.

Rekommenderade förkunskaper

Motsvarande de för D, E eller F obligatoriska kurserna i matematik, numeriska metoder och datalogi.

Litteratur

Meddelas senast 4 veckor före kursstart på kursens hemsida. Föregående läsår användes: Fausett, Fundamentals of Neural Networks, Prentice Hall

Examination

• LAB2 - Laborationsuppgifter, 3,0 hp, betygsskala: P, F
• TEN2 - Tentamen, 3,0 hp, betygsskala: A, B, C, D, E, FX, F

I denna kurs tillämpas skolans hederskodex, se: http://www.kth.se/csc/student/hederskodex.

Krav för slutbetyg

En tentamen (TEN2, 3 hp).
Laborationsuppgifter (LAB2, 3 hp).

Ges av

CSC/Datalogi

Kontaktperson

Erik Fransén e-post: erikf@kth.se

Examinator

Erik Fransén <erikf@kth.se>

Påbyggnad

DD2433 Artificiella neuronnät, fortsättningskurs.

Versionsinformation

Kursplan giltig från och med HT09.
Examinationsinformation giltig från och med HT07.