Hoppa till huvudinnehållet

DD2432 Artificiella neuronnät och andra lärande system 6,0 hp

Kursomgångar saknas för aktuella eller kommande terminer.
Rubriker med innehåll från kursplan DD2432 (HT 2016–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

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.

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

Kurslitteratur och förberedelser

Särskild behörighet

För fristående kursstuderande:

SF1604 Linjär Algebra, SF1625 Envariabelanalys, SF1626 Flervariabelanalys, SF1901 Sannolikhetsteori och statistik, DD1337 Programmering, DD1338 Algoritmer och Datastrukturer eller motsvarande kurser.

Rekommenderade förkunskaper

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

Utrustning

Ingen information tillagd

Kurslitteratur

Stephen Marsland: Machine Learning, an Algorithmic Perspective, 2009, CSC-Press, ISBN 1420067184

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

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

Examination

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

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

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

Övriga krav för slutbetyg

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

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kursrum i Canvas

Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.

Ges av

Huvudområde

Datalogi och datateknik, Informations- och kommunikationsteknik, Informationsteknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Erik Fransén e-post: erikf@kth.se