FDD3432 Doktorandkurs i artificiella neuronnät och andra lärande system 6,0 hp

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.

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.

Fausett, Fundamentals of Neural Networks, Prentice Hall.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• 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.

Erik Fransén

• 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.