rpd000007691 (1006648), страница 2

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

Тип: Коллоквиум

Тематика: Беседа по теоретическому курсу дисциплины

Прикрепленные файлы:

Перечень вопросов и задач:

1.Классификация данных.

2.Оптимизация.

3.Многослойные сети прямого распространения.

4.Сети радиальных базисных функций (RBF-сети).

5.Нейросетевые модели с обратными связями.

6.Нейросетевые модели с соревновательным обучением.

7.Информационные процессы в нейронах и нейронных сетях

8.Извлечение знаний с помощью нейронных сетей

9.Модели теории адаптивного резонанса

10.Нечеткие сети Такаги-Сугено-Канга

11.Построение современной нейросетевой технологии

1.2. Оценка результатов практической рабоы

Тип: Контрольная работа

Тематика: Построение современной нейросетевой технологии

Прикрепленные файлы:

Перечень вопросов и задач:

1.Извлечение знаний с помощью нейронных сетей

2.Модели теории адаптивного резонанса

3.Нечеткие сети Такаги-Сугено-Канга

4.Нейропрограммирование

5.Нейросетевые модели с соревновательным обучением.

1.3. Контроль результатов выполнения лабораторных работ

Тип: Коллоквиум

Тематика: Защита отчетов по результатам исследования

Прикрепленные файлы:

Перечень вопросов и задач:

1.Использовать линейную нейронную сеть с задержками для аппроксимации функции. Произвести адаптацию сети и отобразить ошибку обучения

2.Использовать многослойную нейронную сеть для классификации точек в случае, когда классы не являются линейно разделимыми. Проверить качество обучения

3.Использовать нелинейную авторегрессионную сеть (NARX) для идентификации нелинейной динамической системы. Отобразить ошибку и проверить качество обучения

4.Использовать сеть Хопфилда для распознавания статических образов. Проверить качество распознавания.

5.Использовать карту Кохонена для кластеризации данных.

6.Нейропрограммирование в среде Mathlab

1. Промежуточная аттестация

1. Рейтинговая оценка (7 семестр)

Прикрепленные файлы: ANN-Questions.rtf

1. УЧЕБНО-МЕТОДИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

а)основная литература:

1. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учеб.пособие для вузов. - 2-е изд., перераб. и доп. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004.- 400 с.

2. Системы искусственного интеллекта. Практический курс: учебное пособие/[В.А. Чулюков, И.Ф. Астахова, А.С. Потапов и др.; под ред. И.Ф. Астаховой]. - М.: БИНОМ. Лаборатория знаний, 2008. - 292 с.

3. Толкачев С. Нейронное программирование диалоговых систем. - СПб.: КОРОНА-Век, 2010. - 192 с.

4. Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике: учеб.пособие/М.Г. Матвеев, А.С. Свиридов, Н.А.Алейникова. - М.: Финансы и статистика; ИНФРА-М, 2008. - 448 с.

5. Дьяконов, Круглов В.В. Matlab 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. иструменты искусственного интеллекта и биоинформатики: Серия "Библиотека профессионалоа". - М.: СОЛОН-ПРЕСС, 2006. - 456 с.

6. Хайкин С. Нейронные сети. Полный курс. - М.; СПб.; Киев: Вильямс, 2006.

7. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его приложения в экономике и бизнесе. -М.: Изд-во МИФИ, 1998. - 224 с.

8. Зиновьев А. Ю. Визуализация многомерных данных. - Красноярск: Изд-во ИВМ СО РАН, 2001.-180 с.

9. Комашинский В. И. Нейронные сети и их применение в системах управления и связи. -М: Горячая линия-Телеком, 2003. - 94 с.

10. Круглое В. В., Борисов В. В. Искусственные нейронные сети: Теория и практика. - 2-е изд. - М.: Горячая линия-Телеком, 2002. - 382 с.

б)дополнительная литература:

1. Рышард Т., Барбара Б., Томаш Г., Бартош Л. Элементарное введение в технологию нейронных сетей с примерами программ/Перевод с польск. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2001. - 408 с.

2. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. - М.: Вильяме, 2001. -287 с.

3. Осовский С. Нейронные сети для обработки информации: Пер. с польск. - М.: Финансы и статистика, 2002. - 344 с.

4. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. - М.: Горячая линия-Телеком, 2006. - 452 с.

5. Автоматы: Сб. статей под ред. К.Э.Шеннона Дж.Маккарти: Пер. с англ. под ред. А. А. Ляпунова. - М: ИЛ, 1956. - 403 с.

6. Айзерман М.А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970. - 384 с.

7. Васильев В. И. Проблема обучения распознаванию образов: Принципы, алгоритмы, реализация. - Киев: Вища школа, 1989. - 64 с.

8. Верхаген К. и др. Распознавание образов: Состояние и перспективы: Пер. с англ. - М.: Радио и связь, 1985. - 104 с.

9. Горбанъ А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996.-276 с.

10. Горбань А. К, Дунин-Барковский В. Л. и др. Нейроинформатика / Под ред. Е. А. Новикова. - Новосибирск: Наука, 1998. - 296 с.

12. Минский М., Пейперт С. Персептроны: Пер. с англ. - М.: Мир, 1971.-261 с.

13. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга: Пер. с англ. - М.: Мир, 1965. - 480 с.

14. Уидроу Б., Стирнз С. Адаптивная обработка сигналов: Пер. с англ. - М.: Радио и связь, 1989.-440 с.

в)программное обеспечение, Интернет-ресурсы, электронные библиотечные системы:

Матричная система компьютерной математики Matlab 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6, Matlab 7 SP1 с пакетом расширений по нейронным сетям Neural Networks Toolbox

Интегрированная cреда разработки Microsoft Visual Studio 2008

Электронная библиотека курса для самостоятельной работы.

Интернет-ресурсы:

Нейроинформатика.

http://www.intuit.ru/department/expert/neuroinf/

Нейрокомпьютинг и его применения в экономике и бизнесе

http://www.intuit.ru/department/expert/neurocomputing/

1. МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

• Класс персональных ЭВМ, объединенных в сеть.

• Проектор или плазменная панель для показа графических и демонстрационных материалов.

Приложение 1
к рабочей программе дисциплины
«Нейроинформатика »

Аннотация рабочей программы

Дисциплина Нейроинформатика является частью Профессионального цикла дисциплин подготовки студентов по направлению подготовки Прикладная математика и информатика. Дисциплина реализуется на 8 факультете «Московского авиационного института (национального исследовательского университета)» кафедрой (кафедрами) 808Б.

Дисциплина нацелена на формирование следующих компетенций: ПК-1 ,ПК-3 ,ПК-8.

Содержание дисциплины охватывает круг вопросов, связанных с: методами формализации сложных систем на основе концепций искусственных нейронных сетей, а также методами решения разнообразных вычислительных задач с использованием нейронных сетей.

Преподавание дисциплины предусматривает следующие формы организации учебного процесса: Лекция, мастер-класс, Практическое занятие, Лабораторная работа.

Программой дисциплины предусмотрены следующие виды контроля: рубежный контроль в форме Коллоквиум ,Контрольная работа ,Коллоквиум и промежуточная аттестация в форме Рейтинговая оценка (7 семестр).

Общая трудоемкость освоения дисциплины составляет 4 зачетных единиц, 144 часов. Программой дисциплины предусмотрены лекционные (28 часов), практические (20 часов), лабораторные (24 часов) занятия и (72 часов) самостоятельной работы студента.

Приложение 2
к рабочей программе дисциплины
«Нейроинформатика »

Cодержание учебных занятий

1. Лекции

1.1.1. НС-модели как математические и компьютерные модели, основанные на использовании искусственных нейронных сетей.(АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Двойственность моделей и систем, соотношение их на синтаксическом, семантическом и прагматическом уровне. Принципиальные недостатки традиционных математических и компьютерных моделей, возможности НС-моделирования по устранению этих недостатков

1.1.2. Типовые задачи.(АЗ: 4, СРС: 2)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: 2.1. Представление зависимостей между величинами. Входные и выходные величины, возможные комбинации их видов. Модели как отображения входных величин в выходные. Статические и динамические зависимости между величинами. Общие подходы к получению статических и динамических моделей. Примеры статических и динамических моделей.

2.2. Классификация данных. Формулировка задачи классификации. Задачи классификации и распознавания объектов, анализ сцен. Основные черты задач классификации. Проблема представления объектов классификации: признаки, признаковые пространства. Источники разнообразия классифицируемых объектов, трудности классификации отдельных объектов; проблемы разделимости классов. Связь задач классификации и аппроксимации. Примеры задач классификации: классификация и распознавание букв из алфавита; распознавание речи.

2.3. Выявление закономерностей в данных. Выявление закономерностей в данных как проблема формирования вектора признаков в задачах классификации/распознавания в ситуациях со значительным уровнем разнообразия и неопределенностей в свойствах классифицирумых объектов/явлений. Статические и динамические задачи выявления закономерностей в данных. Проблема узнавания по М. М. Бонгарду как пример, поясняющий эту проблему применительно к статическим моделям. Пример выявления закономерностей в динамических моделях — система технической диагностики и предотвращения аварий.

2.4. Кластеризация данных. Формулировка задачи кластеризации. Информация о взаимном расположении классифицирумых объектов и ее роль в решении задач кластеризации. Взаимосвязи между задачами классификации данных, выявления закономерностей в данных и кластеризации данных.

2.5. Сжатие данных. Размерность и разрядность данных. Связь длины описания данных с их размерностью и разрядностью. Виды кодирования данных: понижение размерности, уменьшение разнообразия данных за счет понижения их разрядности. Два типа сжатия данных: понижение размерности (описание данных меньшим числом компонент) и квантование (кластеризация) для уменьшения разнообразия данных; комбинированные методы сжатия. Роль НС-моделей в задачах сжатия данных.

2.6. Визуализация данных. Упорядочение многомерной входной информации в виде одномерных, двумерных и трехмерных карт.

2.7. Ассоциативная память. Основные виды ассоциативной памяти: гетероассоциативная память и автоассоциативная память. Функции гетероассоциативной и автоассоциативной памяти в режимах записи и воспроизведения, интерпретация этих видов памяти в нейрофизиологии и информатике.

2.8. Оптимизация. Задача коммивояжера как один из видов задач целочисленного программирования, трудных для решения традиционными средствами. Сеть Хопфилда как альтернативный подход к решению задачи коммивояжера средствами НС-моделирования .

1.1.3. Важнейшие (фундаментальные) идеи, на которых основано НС-моделирование. (АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Представление зависимостей от многих величин через зависимости-примитивы от одной величины. Сетевая (композиционная) связь между величинами и зависимостями-примитивами в НС-модели. Использование обучения как инструмента формирования и настройки НС-модели.

Основные структурные элементы НС-моделей. Нейрон. Слой нейронов. Многослойная (слоистая) сеть. Прямые, обратные и латеральные связи в НС-моделях. Иллюстративные примеры структурной организации НС-моделей. Сопоставление основных особенностей организации и функционирования традиционных и нейросетевых моделей. Подходы к обучению НС-моделей

1.1.4. Персептрон Розенблатта(АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Характеристики

Список файлов учебной работы