Įvadas į Neuroinformatiką

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 modeling 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 modeling, biological neural system modeling, get some practice with robots.

Būtinas pasirengimas dalyko studijoms

Matematinė analizė ir tiesinė algebra, mašininis mokymas

Dalyko studijų rezultatai

1. Paaiškinti neuroninių tinklų teoriją ir pritaikymą klasifikavimo, prognozavimo, neuroninio robotų valdymo uždavinimas spręsti.
2. Sudaryti tinkamus neuroninius tinklus klasifikavimo, prognozavimo, neuroninio robotų valdymo uždavinimas spręsti; parinkti tinkamus duomenų požymius.
3. Taikyti neuroninius tinklus, požymių ištraukimo ir parinkimo metodus realių uždavinių sprendimui.

Dalyko turinys

1. Neuroinformatika ir dirbtiniai neuroniniai tinklai.
2. Neuroniniai tinklai biologinėse nervų sistemose.
3. Mokymas be mokytojo. Hebo mokymo taisyklė. Asociatyvinės ir autoasociatyvinės atmintys.
4. Mokymas su mokytoju. Vienasluoksnis perceptronas.
5. Daugiasluoksnis perceptronas. Klaidos atsklidos mokymo algoritmas.
6. Neuroniniai tinklai klasifikavimo ir prognozavimo uždaviniams spręsti. Neuroninių tinklų tikslumo įvertinimas.
7. Neuroninių tinklų persimokymas ir būdai persimokymui išvengti.
8. Požymių ištraukimas ir išrinkimas.
9. Radialinių bazinių funkcijų neuroniniai tinklai.
10. Mokymo vektorių kvantavimas.
11. Atraminių vektorių klasifikatoriai.
12. Neuroninis robotų valdymas.
13. Projekto 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

Kolokviumas - 17%, laboratoriniai darbai ir seminarai – 33%, baigiamasis egzaminas – 50%.

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. 2001 Dayan, P. and Abbott, L.F. Theoretical Neuroscience. MIT Press