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.
FDD3432 Doktorandkurs i artificiella neuronnät och andra lärande system 6,0 hp
Denna kurs är avvecklad.
Sista planerade examination: VT 2022
Avvecklingsbeslut:
Ingen information tillagdInformation för forskarstuderande om när kursen ges
För kursstart vänligen kontakta Erik Fransén
Kursomgångar saknas för aktuella eller kommande terminer.
Rubriker med innehåll från kursplan FDD3432 (VT 2019–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
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.
Kurslitteratur och förberedelser
Särskild behörighet
Ingen information tillagd
Rekommenderade förkunskaper
Ingen information tillagd
Utrustning
Ingen information tillagd
Kurslitteratur
Fausett, Fundamentals of Neural Networks, Prentice Hall.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
P, F
Examination
- EXA1 - Examination, 6,0 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.
I denna kurs tillämpas skolans hederskodex, se: http://www.kth.se/csc/student/hederskodex.
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
Forskarnivå
Påbyggnad
Ingen information tillagd
Kontaktperson
Erik Fransén, erikf@kth.se