Artificiella neurala nät

(Artificial Neural Networks)

Kurshemsida, VT-2005


Original road imageBrain and neural networkRoad image segmented by a neural network

Det här är hemsidan för kursen Artificiella neurala nät ges i årskurs 3 på dataingenjörsprogrammet vid Institutionen för teknik, Örebro universitet.


2005-06-06 The exam from Wednesday with answers can be found here.


Innehåll

Introduktion
Kursinnehåll
Lärare
Kurslitteratur
Länkar
Labbar
Tentamina
Gamla tentor
Matlab
Gamla kurs (2004)


Introduktion

Biological neuron

Artificiella neurala nät är uppbyggda av många enkla sammankopplade noder som arbetar parallellt. Artificiella nät har många likheter med riktiga biologiska nät, t.ex den mänskliga hjärnan. Kunskap om omvärlden får nätverket genom en s.k. inlärningsprocess där kunskapen lagras i styrkan på kopplingarna (vikter) mellan noderna (neuroner). Beräkningsmetoder baserade på neurala nät har på senare tid fått ett allt högre erkänande inom många olika områden. De vanligaste applikationerna finns inom mönsterigenkänning, till exempel automatisk kvalitetskontroll, optimering och reglering. Kursen behandlar klassisk mönsterigenkänning, supervised och unsupervised learning med artificiella neurala nätverk, genetiska algoritmer, och applikationer av neurala nät inom artificiella intelligens och robotik. De teoretiska delarna av kursen kommer att prövas praktiskt genom ett antal datorbaserade laborationer där MATLAB är det huvudsakliga verktyget.


Kursinnehåll

Kursen består av två delkurser:

Delkurs I: Teori för artificiella neurala nät, 3p

Följande moment behandlas:

Delkurs II: Artificiella neurala nätverk i praktiken, 2p

Laborations delen består av 6 stycken laborationer:


Lärare

Föreläsningar:

Tom Duckett
E-mail: tom.duckett@tech.oru.se

Labbar:

Malin Lindquist
E-mail: malin.lindquist@tech.oru.se
Henrik Andreasson
E-mail: henrik.andreasson@tech.oru.se
The lectures will be given in English, but you can ask questions in Swedish.

Kurslitteratur

Officiell kurslitteratur

  1. Robert Callan, "The Essence of Neural Networks", 1999, Prentice-Hall.
  2. Kompendium "Introduktion till mönsterigenkänning" av Pontus Bergsten. Några sidor som tar upp grundläggande koncept inom mönsterigenkänning. Kan laddas ner som postscript här, pat_rec.pdf (åtta sidor).
  3. Annat material som delas ut under kursens gång.

Litteratur för den som vill veta mer

Dan W. Patterson, "Artificial Neural Networks: Theory and Applications", 1996, Prentice-Hall.
R. Beale and T. Jackson, "Neural Computing: An Introduction", 1990, Institute of Physics Publishing.
Christopher M. Bishop, "Neural Networks for Pattern Recognition", 1995, Oxford University Press.
Simon Haykin, "Neural Networks: A Comprehensive Foundation", 1998, Prentice-Hall.
M. Arbib, "The Handbook of Brain Theory and Neural Networks", 1995, MIT Press.
F. F. Soulié and P. Gallinari, "Industrial Applications of Neural Networks", 1998, World Scientific.
David E. Goldberg, "Genetic Algorithms in Search, Optimization & Machine Learning", 1989, Addisson-Wesley.


Länkar

  • Artificiella neurala nätverk - en kort introduktion
  • Neuronnät och lärande system (kurs in Linköping)
  • Genetiska algoritmer
  • Vektorer, matriser, nätverk - några elementa
  • Svensk-engelskt lexicon
  • Mean Vector and Covariance Matrix
  • Introduction to Neural Networks (1)
  • Introduction to Neural Networks (2) (course webpage, covers backpropagation very well)
  • Neural Networks FAQ (comp.ai.neural-nets)
  • WEBSOM - Self-Organizing Maps for Internet Exploration
  • Introduction to Evolutionary Biology (genetisk bakgrund)
  • Sumeet's Neural Networks Page (många länkar)
  • (Please mail me if you find any more useful links. :-)


    Labbar

    Alla studenter måste genomföra och bli godkänd på sex obligatoriska laborationer. Observera att det är obligatorisk närvaro vid laborationstillfällena. Laborationerna skall redovisas muntligen till lab. handledare senast vid början av nästa laborationstillfälle. Om mer än en lab redovisas för sent måste en extra uppgift göras, extrauppgiften bestäms av kursledaren.

    Lab

    Namn

    Uppgifter

    Data/M-filer

    1

    Introduktion till mönsterigenkänning

    ann_lab1.pdf

    lab1.zip

    2

    Minsta distans klassificeraren och Bayes klassificerare

    ann_lab2.pdf

    lab2.zip

    3

    Enkla neuronmodeller och träningsalgoritmer

    ann_lab3.pdf

    lab3.zip

    4

    Feed-forward nät och backpropagation

    ann_lab4.pdf

    lab4.zip

    5

    Självorganiserad inlärning och klustring

    ann_lab5.pdf

    lab5.zip somtoolbox2.zip

    6

    Data behandling från elektronisk näsa

    ann_lab6.pdf

    data files

    Alla laborationer kommmer att utföras i Matlab. Om du är ovan med Matlabmiljön bör du titta på Matlab-länkarna nedan.

    Laborationerna ska utföras i grupper om två studenter. Det finns ett laborationstillfälle i veckan som är lärarledd.


    Tentamina

    För datum, tid och lokal se http://stormsvala.oru.se.

    Vecka 12: ordinarie tentamen.

    Maj-juni: första omtentamen.

    Augusti: andra omtentamen.


    Gamla tentor

    Några gamla tentor med lösningar finns tillgängliga (i pdf-format).

    Jun 2005

    Mars 2005

    Aug 2004

    Jun 2004

    Mars 2004

    Jun/Aug 2003

    Mars 2003

    Mars 2002

    Mars 2001

    Mars 2000


    Matlab

    Matlab för Windows finns installerad på skolans nät och startas genom att på startmenyn välja NTLinks - Matematik - Matlab 6.5.

    Det finns en stor mängd on-line dokumentation i form av pdf-filer, bla introduktion till Matlab miljön och alla toolboxar. Starta en www-bläddrare, välj sedan i Matlab Help - Help Desk (HTML).

    Några länkar med Matlab-relaterat innnehåll


    Biological neuron


    Senast uppdaterad 2005-1-17 av Tom Duckett.