Neuroniniai tinklai
Dalyko anotacija lietuvių kalba
Kurse nagrinėjami mokymo su mokytoju ir be mokytojo algoritmai, dirbtinių neuroninių tinklų pritaikymai: klasifikavimas ir prognozavimas panaudojant dirbtinius neuroninius tinklus, prognozavimo ir klasifikavimo tikslumo rodikliai ir jų įvertinimas, duomenų ir parametrų kiekio santykis, modeliavimas naudojant dirbtinius neuroninius tinklus; realių neuroninių sistemų funkcionavimo principai, biologinių neuronų ir jų formuojamų tinklų savybės, mokymasis ir atmintis biologinių neuronų tinkluose, neuroninių sistemų pritaikymas robotikoje.
Dalyko anotacija užsienio kalba
Students learn principles of artificial and biological neural networks, methods of analysis and modelling of neural systems, application of principles of neural systems in robotics; will be developing practical skills of application of artificial neural networks to data analysis and system modelling, biological neural system modelling, get some practice with robots.
Būtinas pasirengimas dalyko studijoms
Matematinė analizė ir tiesinė algebra, mašininis mokymas
Dalyko studijų rezultatai
Suprasti teorinius neuroninių sistemų, taikomų klasifikavimo, prognozavimo, robotų valdymo uždaviniams spręsti, veikimo principus.
Tinkamai panaudoti neuroninius tinklus klasifikavimo, prognozavimo, robotų valdymo uždaviniams spręsti, interpretuoti gautus rezultatus, parinkti ir ištraukti duomenų požymius, parinkti tinkamą neuroninį tinklą, įvertinti neroninio tinkle tikslumą.
Tinkamai panaudoti neuroninius tinklus realiems uždaviniams spręsti.
Dalyko turinys
1. Neuroinformatika.
2. Neuroniniai tinklai biologinėse sistemose.
3. Mokymas be mokytojo,. Hebo mokymo taisyklė, Asociatyvinės ir autoasociatyvinės atmintys.
4. Mokymas su mokytoju. Vienasluoksnis perceptronas.
5. Daugiasluoksnis perceptronas klasifikavimo ir prognozavimo uždaviniams spręsti. Klaidos atsklidos mokymo algoritmas.
6. Neuroninio tinklo persimokymas ir būdai jam išvengti. Klasifikavimo ir prognozavimo tikslumo įvertinimas.
7. Požymių atrinkimas ir išskyrimas.
8. Radialinių bazinių funkcijų tinklas.
9. Vektorių kvantavimo mokymo neuroninis tinklas.
10. Atraminių vektorių klasifikatorius.
11. Mokymo pastiprinimu metodai ir jų panaudojimas robotikoje. Robotų neuroninis valdymas.
12. Studentų projektų pristatymas.
Dalyko studijos valandomis
Paskaitos (P) 30 val.
Seminarai (S) 4 val.
Laboratoriniai darbai (L) 26 val.
Savarankiškas darbas 100 val.
Iš viso 160 val.
Studijų rezultatų vertinimas
Baigiamasis egzaminas (50%), vidursemestrinis egzaminas (17%), laboratoriniai darbai ir seminarai (33%)
Literatūra
1. 1994 S. Haykin. Neural Networks: A Comprehensive Foundation. IEEE Press/Macmillan College Publishing Company, New York,
2. 2001 Š. Raudys. Statistical and Neural Classifiers: An integrated approach to design Springer, London
3. 2014 M.T.Hagan, H.W.Demuth. Neural Network Design. http://hagan.okstate.edu/NNDesign.pdf
Papildoma literatūra
1. 1999 Koch, C. Biophysics of Computation: Information Processing in Single Neurons Oxford University Press: New York, New York,
