Popis předmětu - A4M33BIA
A4M33BIA | Biologicky inspirované algoritmy | ||
---|---|---|---|
Role: | PO, S2, V | Rozsah výuky: | 2P+2C |
Katedra: | 13133 | Jazyk výuky: | CS |
Garanti: | Zakončení: | Z,ZK | |
Přednášející: | Kreditů: | 6 | |
Cvičící: | Semestr: | L |
Anotace:
Cílem předmětu je seznámit studenty s netradičními výpočetními technikami pro řešení složitých úloh klasifikace, modelování, shlukování, prohledávání a optimalizace. Biologicky inspirované algoritmy využívají analogií s nejrůznějšími jevy v přírodě či společnosti. Jádrem přednášek bude objasnění neuronových sítí a evolučních algoritmů.Výsledek studentské ankety předmětu je zde: AD4M33BIA
Výsledek studentské ankety předmětu je zde: A4M33BIA
Cíle studia:
Cílem předmětu je seznámit studenty s netradičními výpočetními technikami pro řešení složitých úloh klasifikace, modelování, prohledávání a optimalizace. Jádrem přednášek bude objasnění neuronových sítí a evolučních algoritmů.Osnovy přednášek:
1. | Úvod - návaznost na předchozí předměty o optimalizaci, randomizované metody prohledávání, vztah k učení a modelování. | |
2. | Co jsou to neuronové sítě, historie, typické úlohy, druhy učení neuronových sítí, perceptron. | |
3. | Učení s učitelem - aproximace a klasifikace, lokální a globální jednotky v neuronových sítích. Vícevrstvý perceptron, RBF sítě, GMDH sítě. | |
4. | Učení bez učitele - shlukování neuronovými sítěmi, samoorganizace, Hebbův zákon. Hopfieldova síť, asociativní paměti, ART sítě. | |
5. | Kohonenova samoorganizující se mapa (SOM), kompetitivní učení. Posilované učení. | |
6. | Algoritmus zpětného šíření chyby (back-propagation). Univerzální aproximace, Kolmogorovův teorém. | |
7. | Zpracování časových posloupností, rekurentní neuronové sítě, Elmanova síť, back-propagation through time. | |
8. | Standardní genetický algoritmus (SGA) - historie, základní cyklus, genetické operátory, schéma teorém. | |
9. | Evoluční algoritmy s reálnou reprezentací - evoluční strategie, operátory křížení, diferenciální evoluce. | |
10. | Neuroevoluce - evoluční postupy pro optimalizaci struktury a nastavení vah neuronové sítě, systém NEAT. | |
11. | Vícekriteriální optimalizace - princip dominance, Pareto-optimální řešení, vícekriteriální evoluční algoritmy (NSGA-II, SPEA2). | |
12. | Genetické programování (GP) - stromová reprezentace, inicializace, operátory, typované GP, automaticky definované funkce (ADF). | |
13. | Rojová inteligence - optimalizace rojením částic (Particle Swarm Intelligence), mravenčí kolonie (Ant Colony Optimization). | |
14. | Rezerva. |
Osnovy cvičení:
1. | Organizační záležitosti. Black box neuronová síť (MLP), aproximace, klasifikace. Příklady na lokální prohledávání v Matlabu. | |
2. | Software pro neuronové sítě, Mathematica, Weka. | |
3. | Výběr první semestrální práce (představení dat z praxe). | |
4. | Řešení semestrální úlohy z neuronových sítí. | |
5. | Řešení semestrální úlohy z neuronových sítí. | |
6. | Odevzdání semestrální úlohy z neuronových sítí. | |
7. | Zadání témat na semestrální úlohu z evolučních algoritmů. | |
8. | Realizace jednoduchého genetického algoritmu (SGA). Ukázky vlivu jednotlivých parametrů SGA na jeho výpočet. Příklady na evoluční algoritmy v Matlabu. | |
9. | Řešení semestrální úlohy z evolučních algoritmů. | |
10. | Úspěšné aplikace evolučních algoritmů. | |
11. | Řešení semestrální úlohy z evolučních algoritmů. | |
12. | Odevzdání semestrální úlohy z evolučních algoritmů. | |
13. | Test. | |
14. | Rezerva. |
Literatura:
1. | Haykin, S.: Neural Networks: A Comprehensive Foundation, 2nd edition, Prentice Hall, 1998 | |
2. | Rojas, R.: Neural Networks: A Systematic Introduction, Springer, 1996 | |
3. | Michalewicz, Z.: Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1998 | |
4. | Michalewicz, Z.: How to solve it? Modern heuristics. 2nd ed. Springer, 2004. |
Požadavky:
Základní znalosti z oblasti optimalizacePoznámka:
URL: http://cw.felk.cvut.cz/doku.php/courses/a4m33bia/start |
Webová stránka:
http://cw.felk.cvut.cz/doku.php/courses/a4m33bia/startKlíčová slova:
umělé neuronové sítě, evoluční algoritmy, optimalizacePředmět je zahrnut do těchto studijních plánů:
Stránka vytvořena 8.8.2022 14:50:07, semestry: L/2022-3, L/2021-2, Z/2024-5, Z/2022-3, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: I. Halaška (K336), J. Novák (K336) |