Hoppa till huvudinnehållet

DD2433 Artificiella neuronnät, fortsättningskurs 6,0 hp

Kursomgångar saknas för aktuella eller kommande terminer.
Rubriker med innehåll från kursplan DD2433 (VT 2009–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

En repetition och fördjupning av teorin bakom och metodiken för användning av flerlagersperceptroner och felkorrektionsinlärning. Mer om inlärningsteori och supportvektormaskiner (SVM). Grundläggande om statistisk metodik för lärande system och tekniker baserade på ”mixtures of experts”. Använding av attraktornät och SOM (Self-Organizing Maps) som associativa minnen och för klustering. Distribuerad och lokaliserad representation i neuronnät, t ex fuzzy representation och Gaussiska mixturer. ANN för tidsserieprediktion. Något om utvecklingstrender när det gäller hjärninspirerade algoritmer och arkitekturer.

Ett projekt där ANN tillämpas praktiskt på något större problem av typ klassificering, prediktion, kategorisering, klustring och/eller visualisering.

Lärandemål

Efter kursen ska studenten kunna

  • redogöra för olika ANN-metodiker och deras användbarhet för olika problemtyper såsom klassificering, clustering, associativt minne och tidsserieprediktion
  • genomföra projekt med hjälp av ANN samt som del därav kunna

- välja lämplig metod och programvara för denna

- göra ett adekvat urval och förbearbetning av data

- tillämpa konvergensacceleration och pruning för att nå bästa prestanda

- förklara och använda valideringsmetodik, t ex korsvalidering

- utvärdera prestanda hos och jämföra olika ANN-metoder

för att studenten ska

  • ha förmåga att självständigt tillämpa ANN-metodik på ett professionellt sätt
  • kunna kritiskt utvärdera resultat från studier som utnyttjar ANN
  • vara orienterad om forskningsfronten och utvecklingstrender inom ANN-området.

Kurslitteratur och förberedelser

Särskild behörighet

Ingen information tillagd

Rekommenderade förkunskaper

2D1432/DD2432 ANN och andra lärande system

Utrustning

Ingen information tillagd

Kurslitteratur

Meddelas senast 2 veckor före kursstart på kursens hemsida. Liknande kurser har använt t ex Neural Networks – a comprehensive foundation av Simon Haykin.

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

  • LAB1 - Laborationer, 1,5 hp, betygsskala: P, F
  • PRO1 - Projekt, 3,0 hp, betygsskala: A, B, C, D, E, FX, F
  • TEN1 - Tentamen, 1,5 hp, betygsskala: P, 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.

Övriga krav för slutbetyg

Avklarad tentamen 1,5 hp, laborationer och seminarier 1,5 hp samt godkänt projektarbete 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

Denna kurs tillhör inget huvudområde.

Utbildningsnivå

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Anders Lansner e-post: ala@nada.kth.se