Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Neurális és tanuló rendszerek

    A tantárgy angol neve: Neural and Learning Systems

    Adatlap utolsó módosítása: 2007. június 15.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Villamosmérnöki Szak

    Műszaki Informatika Szak

    Doktorandusz tárgy

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIMMD002   4/0/0/v 5 1/1
    3. A tantárgyfelelős személy és tanszék Dr. Horváth Gábor,
    A tantárgy tanszéki weboldala http://www.mit.bme.hu/oktatas/targyak/vimmd002/
    4. A tantárgy előadója

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Horváth Gábor

    docens

    MIT

         
    5. A tantárgy az alábbi témakörök ismeretére épít

    Sztochasztikus folyamatok, Valószínűségszámítás

    7. A tantárgy célkitűzése

    A tárgy célja, hogy megismertesse a hallgatókkal a gépi tanulás elméleti alapjait, alkalmazási lehetőségeit és bemutassa a tanulás különböző formáit alkalmazó számító rendszereket. A tárgy részletesen foglalkozik a mintákból történő tanulást alkalmazó neurális hálózatokkal, a legfontosabb neurális architektúrákkal és a neuronhálók alkalmazási lehetőségeivel.

    8. A tantárgy részletes tematikája
    • Algoritmikusan nehezen megoldható feladatok.
    • A tanulás szerepe a feladatmegoldásokban. Gépi tanulás.
    • Ellenőrzött (felügyelt) tanulás.

    Hibakorrekciós eljárások (gradiens módszerek, kereső eljárások, genetikus algoritmusok).

    Szupport Vektor Gépek (SVM) és jelentőségük a tanuló rendszerek között.

    Megerősítéses tanulás.

    • Nemellenőrzött (felügyelet nélküli) tanulás.

    Hebb szabály, Oja szabály,

    Versengő tanulás.

    • A tanuló rendszerek minősítése, általánosítás. A statisztikus tanuláselmélet fontosabb eredményei, PAC tanulás.
    • Tanuláson alapuló elosztott párhuzamos számító rendszerek, neurális hálózatok:

    Az elemi neuron és felügyelt tanítási algoritmusa.

    Egy- és többrétegű előrecsatolt hálózat, az előre csatolt hálózatok tanítása: backpropagation algoritmus.

    Szupport vektor gépek különböző változatai (SVM, LS-SVM, ridge regression)

    • Dinamikus hálózatok

    Lokális és globális visszacsatolást tartalmazó hálózatok.

    Dinamikus rendszerek tanítása: dinamikus backpropagation,

    • Nemellenőrzött tanulási hálózatok.

    Kohonen hálók.

    Lineáris és nemlineáris adattömörítő hálók: PCA, ICA.

    • Neurális hálózatok alkalmazása (felismerési problémák megoldása, optimalizálási feladatok megoldása, egy- és többdimenziós jelfeldolgozás, nemlineáris jelfeldolgozás, nemlineáris dinamikus rendszerek identifikációja, stb.).
    • Hardver és szoftver implementálási kérdések

    A mesterséges neurális hálózatoknál tárgyalt párhuzamos algoritmusok implementálására alkalmas általános és speciális párhuzamos működésű hardver rendszerek.

    A hardver megvalósítás speciális problémái: pontosság, sebesség, komplexitás. Szoftver realizálás, szimulátorok.

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    (előadás, gyakorlat, laboratórium):

    előadás

    10. Követelmények

    a. A szorgalmi időszakban: félévközi házi feladat elégséges szintű beadása. A feladat beadás határideje a szorgalmi időszak utolsó hete, ill.

    b. A vizsgaidőszakban: szóbeli vizsga.

    A vizsgajegy megállapításának módja:

    0,8*félévvégi vizsga eredménye+0,2*házi feladat eredménye

    1. Elővizsga: igény esetén az utolsó oktatási héten
    11. Pótlási lehetőségek

    A félévközi feladat különeljárási díj ellenében a vizsgaidőszak harmadik hetének végéig pótolható.

    12. Konzultációs lehetőségek

    Igény szerint

    13. Jegyzet, tankönyv, felhasználható irodalom

    Horváth Gábor (szerk.): Neurális hálózatok és műszaki alkalmazásaik, Egyetemi tankönyv, Műegyetemi Kiadó, 1998.

    B. Schölkopf, A. Smola: Learning with Kernels Support Vector Machines, Regularization, Optimization and Beyond. MIT Press, 2002.

    S. Haykin: Neural Networks, A Comprehensive Foundation, second edition, Prentice Hall, 1999.

    R. S. Sutton, A. G. Barto: Reinforcement Learning: An Introduction, Bradford Book, MIT Press, 1998.

    T. Mitchell: Machine Learning, McGraw-Hill, 1997.

    Továbbá sokszorosított anyag a tárgy honlapján közzétéve

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

    (a tantárgyhoz tartozó tanulmányi idő körülbelüli felosztása a tanórák, továbbá a házi feladatok és a zárthelyik között (a felkészülésre, ill. a kidolgozásra átlagosan fordítandó/elvárható idők félévi munkaórában, kredit x 30 óra, pl. 5 kredit esetén 150 óra)):

     

    Kontakt óra

    60

    Félévközi készülés órákra

    10

    Felkészülés zárthelyire

     

    Házi feladat elkészítése

    30

    Kijelölt írásos tananyag elsajátítása

     

    ..

     

    Vizsgafelkészülés

    50

    Összesen

    150

    15. A tantárgy tematikáját kidolgozta

    Név:

    Beosztás:

    Tanszék, Int.:

    Dr. Horváth Gábor

    Docens

    MIT