FI:PV021 Neural Networks - Course Information
PV021 Neural Networks
Faculty of InformaticsSpring 2007
- Extent and Intensity
- 2/2. 4 credit(s) (plus extra credits for completion). Type of Completion: zk (examination).
- Teacher(s)
- doc. RNDr. Jiří Šíma, DrSc. (lecturer), prof. RNDr. Mojmír Křetínský, CSc. (deputy)
Lukáš Mojžiš (assistant) - Guaranteed by
- prof. RNDr. Mojmír Křetínský, CSc.
Department of Computer Science – Faculty of Informatics
Contact Person: prof. RNDr. Mojmír Křetínský, CSc. - Timetable
- Wed 21. 2. 10:00–16:50 A107, Wed 14. 3. 10:00–16:50 A107, Wed 28. 3. 10:00–16:50 A107, Wed 18. 4. 10:00–16:50 A107, Wed 9. 5. 10:00–16:50 A107
- Prerequisites
- ! P021 Neural Networks
Recommended: knowledge corresponding to the courses MB000 (Calculus I) and MB003 (Linear Algebra and Geometry I) or to the courses MB102 (Mathematics II) and MB103 (Mathematics III) - Course Enrolment Limitations
- The course is also offered to the students of the fields other than those the course is directly associated with.
- fields of study / plans the course is directly associated with
- there are 17 fields of study the course is directly associated with, display
- Course objectives
- Introduction to Neural Networks: motivations, position of neural networks in computer science, review of basic standard models.
- Syllabus
- Introduction to Neural Networks. History of neurocomputing; neurophysiological motivations; mathematical model of neural network: formal neuron, organizational, active, and adaptive dynamics; position of neural networks in computer science: comparison with von Neumann computer architecture, applications, implementations, neurocomputers.
- Classical Models of Neural Networks. Perceptron: convergence; multi-layered network and backpropagation strategy: choice of topology and generalization; MADALINE: Widrow learning rule.
- Associative Neural Networks. Linear associative network: Hebb law and pseudohebbian adaptation; Hopfield network: energy, capacity; continuous Hopfield network: traveling salesman problem; Boltzmann machine: simulated annealing, equilibrium.
- Self-Organization. Kohonen network: unsupervised learning; Kohonen maps: LVQ; counterpropagation: Grossberg learning rule; RBF networks.
- Seminar: Software implementation of particular neural network models and their simple applications.
- Literature
- ŠÍMA, Jiří and Roman NERUDA. Teoretické otázky neuronových sítí. Vyd. 1. Praha: Matfyzpress, 1996, 390 s. ISBN 80-85863-18-9. info
- KOHONEN, Teuvo. Self-Organizing Maps. Berlin: Springer-Verlag, 1995, 392 pp. Springer Series in Information Sciences 30. ISBN 3-540-58600-8. info
- HAYKIN, Simon S. Neural Networks : a comprehensive foundation. New York: Macmillan College Publishing Company, 1994, xix, 696. ISBN 0023527617. info
- Sofsem '88 : sborník referátů : Zotavovna ROH Petr Bezruč, Malenovice, Beskydy 27.11.-9.12.1988. Brno: Ústav výpočetní techniky UJEP Brno, 1988, 363 s. info
- Assessment methods (in Czech)
- Nutnou podmínkou pro zakončení předmětu je absolvování cvičení, které probíhá převážně formou domácího projektu, ve kterém studenti po skupinách (4-6 osob) implementují základní modely neuronových sítí, které následně aplikují na jednoduché úlohy. O své práci referují průběžně na několika společných seminářích a závěrečné výsledky projektu prezentují o zkouškovém dni. Při vlastní ústní zkoušce studenti po (v podstatě časově neomezené) přípravě odpovídají na 1 otázku pokrývající téma vyložené na prednášce a řeší jednoduchý problémový příklad, ke kterému podle potřeby examinátor poskytuje nápovědu. Poctivě naučený student se nemusí ničeho obávat a nepřipravený student obvykle zkoušku sám vzdá.
- Language of instruction
- Czech
- Further comments (probably available only in Czech)
- The course is taught once in two years.
General note: v semestru jaro 2006 se nekona. - Listed among pre-requisites of other courses
- Enrolment Statistics (Spring 2007, recent)
- Permalink: https://is.muni.cz/course/fi/spring2007/PV021