Introduktion till artificiella neurala nät

Efter en grundlig diskussion av olika neurala nätverk ska studenten tillägna sig insikt i de olika tekniska och filosofiska aspekterna av neurala nätverk. Efter avslutad kurs ska studenten kunna:

• Applicera neurala nätverk på relevanta problem med hjälp av moderna programverktyg, samt deras vidareutveckling
• Genomföra jämförande analys, både teoretiskt och empiriskt, för att avgöra vilken neurala nätverk som är mest lämplig för en viss uppgift
• Läsa en artikel i området, förstå den och göra en kritisk analys
• Förklara både fördelar och begränsningar av lösningar baserade på neurala nätverk för människor utan djup teknisk kunskap
• Bygga olika typer av neurala nätverk på egen hand, utvärdera deras prestanda och använda för att lösa komplicerade problemen.

Kursen ger först en översikt över de neurala nätverken, deras applikationer och beskriver deras betydelse med avseende på klassificering. Perceptornen som grundläggande element i neurala nätverk kommer studeras och hur ett feed-forward nätverk byggas upp beskrivs i detalj.

Kursen behandlar metoder för extrahering av utmärkande egenskaper och dimensionsreducering för att reducera problemet komplexitet och förbättra igenkänningsnivå.

Olika typer av neurala nätverk kommer att studeras i kursen såsom Back propagation, Self Organizing Maps (SOM), Learning Vector Quantization (LVQ), Adaptive Resonance Theory (ART), Associative Memeory och Radial Basis Function neurala nätverk.

Laborationsrapporter 1,5 hp (U-G), projektarbete 1,5 hp (U-G) och obligatoriska föreläsningar och skriftlig tentamen 4,5 hp (U-3-4-5).

Studenten tillägnar sig kunskaper under föreläsningar, laborationer, tekniska presentationer av artiklar och projektarbete i grupp. Studenten bör också studera individuellt.

Som betygsskala används U, 3, 4, 5.

Den skriftliga tentamen styr slutbetyget på kursen.