Νευρωνικά Δίκτυα

Κωδικός Μαθήματος: Ν2-6070Α
Εβδομαδιαίες ώρες διδασκαλίας: 4 (2Θ + 2Ε)
Πιστωτικές μονάδες: 5
Τυπικό εξάμηνο διδασκαλίας: 6ο
Κατηγορία μαθήματος: Μάθημα Ειδικότητας
Προαπαιτούμενα:  

Μαθησιακά αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να

  • κατανοεί τις διαφορές μεταξύ της αυστηρής Von-Neumann αρχιτεκτονικής και της σχετικά ελεύθερης αρχιτεκτονικής ενός νευρωνικού δικτύου
  • κατανοεί τη διαφορά μεταξύ του αλγοριθμικού τρόπου επίλυσης των προβλημάτων της κλασικής τεχνητής νοημοσύνης και της επαγωγικής διαδικασίας μάθησης των τεχνητών νευρωνικών δικτύων
  • κατανοεί τη διαφορά μεταξύ επιβλεπόμενης και μη-επιβλεπόμενης μάθησης
  • εξηγεί τη λειτουργία διαφόρων μοντέλων νευρωνικών δικτύων
  • επιλέγει κατάλληλο μοντέλο νευρωνικού δικτύου ανάλογα με το πρόβλημα που καλείται να επιλύσει
  • κατανοεί τις τεχνικές δυνατότητες, τα πλεονεκτήματα και τους περιορισμούς των συστημάτων μάθησης και αυτο-οργάνωσης

Περιεχόμενο μαθήματος

Εισαγωγή -Ιστορική αναδρομή-Μοντέλο τεχνητού νευρώνα – Εκπαίδευση νευρωνικών δικτύων. Εκπαίδευση με επίβλεψη: Συσχετιστικές μνήμες – Μνήμη πίνακα συσχέτισης(CorrelationMatrixMemory) – Μνήμη Γενικευμένου Αντιστρόφου (GeneralizedInverseMemory)- ADALINE – Δίκτυο Hamming/ MAXNET – Δίκτυο Hopfield (Binary) – Perceptron ενός στρώματος – Perceptron πολλαπλών στρωμάτων – Ο αλγόριθμος BackPropagation – Δίκτυα Συναρτήσεων Ακτινικής Βάσης – Ο αλγόριθμος LVQ. Εκπαίδευση χωρίς επίβλεψη: Δίκτυο Kohonen (αυτο-οργανούμενοι χάρτες) – ART (AdaptiveResonanceTheory). Νευροϋπολογιστές – Υλοποιήσεις νευρωνικών δικτύων σε συστολικές αρχιτεκτονικές. Εφαρμογές.

Εργαστήριο: Εκπαίδευση στο περιβάλλον και την εργαλειοθήκη Νευρωνικών Δικτύωντου MATLAB. Υλοποίηση συσχετιστικών μνημών πίνακα συσχέτισης και γενικευμένουαντιστρόφου για την επίλυση προβλημάτων αναγνώρισης προτύπων. Υλοποίηση του νευρωνικού δικτύου ADALINE σε εφαρμογή παρακολούθησης σήματος (signal tracking).Υλοποίηση δικτύου Hopfield σε συνθετικό πρόβλημα. Υλοποίηση πολυστρωματικού νευρωνικού δικτύου με τους αλγορίθμους εκπαίδευσης back-propagation και Levenberg-Marquardt για την επίλυση μη-γραμμικών προβλημάτων. Υλοποίηση του LVQ και του δικτύου αυτο-οργανούμενων χαρτών (SOM) σε συνθετικά προβλήματα.

Βιβλιογραφία
  1. HaykinS., Νευρωνικά Δίκτυα και Μηχανική Μάθηση, Εκδόσεις Παπασωτηρίου, 2010.
  2. Διαμαντάρας Κ., Τεχνητά Νευρωνικά Δίκτυα, Εκδόσεις Κλειδάριθμος, 2007.
  3. Ρίζος Γ., Τεχνητά Νευρωνικά Δίκτυα: Θεωρία και Εφαρμογές, Εκδόσεις Νέων Τεχνολογιών, 1996.
  4. Bishop M., Neural Networks for Pattern Recognition, Clarendon Press, 1997.
  5. Lin C-T., Lee C.S.G., Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall, 1996.
  6. Kohonen T., Self-Organizing Maps, Springer Verlag, 1995.
  7. Haykin S., Neural Networks: A Comprehensive Foundation, McMillan, 1994.
  8. Hertz J., Krogh A., Palmer R., Introduction to the Theory of Neural Computation, Addison Wesley, 1991.

Internationalisation I18n