PV021 Neural Networks

Faculty of Informatics
Spring 2004
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)
Guaranteed by
prof. RNDr. Mojmír Křetínský, CSc.
Department of Computer Science – Faculty of Informatics
Contact Person: prof. RNDr. Mojmír Křetínský, CSc.
Timetable
Wed 3. 3. 10:00–16:50 A107, Wed 31. 3. 10:00–16:50 A107, Wed 14. 4. 10:00–16:50 A107, Wed 28. 4. 10:00–16:50 A107, Wed 12. 5. 10:00–16:50 A107
Prerequisites (in Czech)
! P021 Neural Networks
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
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
  • HECHT-NIELSEN, Robert. Neurocomputing. Reading, Mass.: Addison-Wesley Publishing Company, 1990, xiii, 433. ISBN 0-201-09355-3. 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
The course is taught annually.
Listed among pre-requisites of other courses
The course is also listed under the following terms Spring 2003, Spring 2005, Spring 2007, Spring 2009, Spring 2011, Spring 2012, Spring 2013, Spring 2014, Autumn 2015, Autumn 2016, Autumn 2017, Autumn 2018, Autumn 2019, Autumn 2020, Autumn 2021, Autumn 2022, Autumn 2023, Autumn 2024.
  • Enrolment Statistics (Spring 2004, recent)
  • Permalink: https://is.muni.cz/course/fi/spring2004/PV021