FI:PV021 Neural Networks - Course Information

PV021 Neural Networks

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

• PA026 Artificial Intelligence Project
  PB016 || IV126 || PV021 || PV056  
• PA230 Reinforcement Learning
  PV021  

• Enrolment Statistics (Spring 2007, recent)
  
• Permalink: https://is.muni.cz/course/fi/spring2007/PV021