DD2433 Artificiella neuronnät, fortsättningskurs 6,0 hp
Denna kurs är avvecklad.
Sista planerade examination: VT 2008
Avvecklingsbeslut:
Ingen information tillagdInnehåll 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
Rekommenderade förkunskaper
2D1432/DD2432 ANN och andra lärande system
Utrustning
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
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
Möjlighet till plussning
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.