DD3432 Doktorandkurs i artificiella neuronnät och andra lärande system 6,0 hp

Graduate Course in Artificial Neural Networks and Other Learning Systems

OBS!

Detta är en nedlagd kurs.

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

    P, F

Sista planerade examination: VT22.

Kurstillfällen/kursomgångar

VT19 för programstuderande

  • Perioder

    VT19 P3 (6,0 hp)

  • Anmälningskod

    61369

  • Kursen startar

    2019-01-15

  • Kursen slutar

    2019-03-15

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

Information för forskarstuderande om när kursen ges

För kursstart vänligen kontakta Erik Fransén

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

Litteratur

Fausett, Fundamentals of Neural Networks, Prentice Hall.

Examination

  • EXA1 - Examination, 6,0, betygsskala: P, F

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

Ges av

EECS/Beräkningsvetenskap och beräkningsteknik

Kontaktperson

Erik Fransén, erikf@kth.se

Examinator

Erik Fransén <erikf@kth.se>

Versionsinformation

Kursplan gäller från och med VT2019.
Examinationsinformation gäller från och med VT2019.