DD2433 Artificiella neuronnät, fortsättningskurs 6,0 hp

Artificial Neural Networks, Advanced Course

En fördjupningskurs i datalogi som behandlar artificiella neuronnät (ANN) och nervsystem, inkluderande teori, exempel på praktisk användning samt ett projektarbete.

Kursomgång och genomförande

Kursomgångar saknas för tidigare och kommande terminer, samt för innevarande termin.

Kursinformation

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.

Kursupplägg

Ingen information tillagd

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

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 samordnare för 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

Anders Lansner

Ytterligare information

Kurswebb

Ingen information tillagd

Ges av

CSC/Datalogi

Huvudområde *

Ingen information tillagd

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

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

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.