DD2432 Artificiella neuronnät och andra lärande system 6,0 hp

Artificial Neural Networks and Other Learning Systems

OBS!

Detta är en nedlagd kurs.

En kurs i datalogi som behandlar artificiella neuronnät (ANN) och andra lärande och självorganiserande system.

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Datalogi och datateknik
    Informations- och kommunikationsteknik
    Informationsteknik
  • Betygsskala

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

Sista planerade examination: VT20.

Det finns inget planerat kurstillfälle.

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:

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.

Litteratur

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

Examination

  • LAB2 - Laborationsuppgifter, 3,0, betygsskala: P, F
  • TEN2 - Tentamen, 3,0, 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/Beräkningsvetenskap och beräkningsteknik

Kontaktperson

Erik Fransén e-post: erikf@kth.se

Examinator

Erik Fransén <erikf@kth.se>

Pawel Herman <paherman@kth.se>

Versionsinformation

Kursplan gäller från och med HT2016.
Examinationsinformation gäller från och med HT2007.