ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Papadourakis G.
The course introduces the theory and practice of neural computation. It provides the principles of neurocomputing with artificial neural networks widely used for addressing real-world problems such as classification, regression, system identification, pattern recognition, data mining, time-series prediction, etc. Artificial neural network models are inspired by biological neural networks. The course begins with an overview of information processing principles in biological systems. The core of the course consists of the theory and properties of major neural network algorithms and architectures. Two main topics are covered: learning linear models by perceptrons, and learning non-linear models by probabilistic neural networks, multilayer perceptrons, radial-basis function networks, and Kohonen neural networks. The students will have a chance to implement and try out several of these models on practical problems. By the end of the course, students will be able to assess the applicability of neural networks for a given task, select an appropriate neural network paradigm, and build a working neural network model for the task.
LessThe course introduces the theory and practice of neural computation. It provides the principles of neurocomputing with artificial neural networks widely used for addressing real-world problems such as classification, regression, system identification, pattern recognition, data mining, time-series prediction, etc. Artificial neural network models are inspired by biological neural networks. The course begins with an overview of information processing principles in biological systems. The core of the course consists of the theory and properties of major neural network algorithms and architectures. Two main topics are covered: learning linear models by perceptrons, and learning non-linear models by probabilistic neural networks, multilayer perceptrons, radial-basis function networks, and Kohonen neural networks. The students will have a chance to implement and try out several of these models on practical problems. By the end of the course, students will be able to assess the applicabilit
The course introduces the theory and practice of neural computation. It provides the principles of neurocomputing with artificial neural networks widely used for addressing real-world problems such as classification, regression, system identification, pattern recognition, data mining, time-series prediction, etc. Artificial neural network models are inspired by biological neural networks. The course begins with an overview of information processing principles in biological systems. The core of the course consists of the theory and properties of major neural network algorithms and architectures. Two main topics are covered: learning linear models by perceptrons, and learning non-linear models by probabilistic neural networks, multilayer perceptrons, radial-basis function networks, and Kohonen neural networks. The students will have a chance to implement and try out several of these models on practical problems. By the end of the course, students will be able to assess the applicabilit
-Τι είναι τα Τεχνητά Νευρωνικά Δίκτυα;
-Και μπορούν να χρησιμοποιηθούν;
-Από τι αποτελούνται;
-Ο Νευρώνας
-Εκπαίδευση ΤΝΔ
-Συναρτήσεις Μεταφοράς
-Συνάρτηση μεταφοράς Hard–Limit
-Γραμμική Συνάρτηση Μεταφοράς
-Διάνυσμα ως είσοδος στο Νευρώνα
-Υλοποίηση στο Matlab
-Βασική Αρχιτεκτονική
-Παραδείγματα εισόδου
-Σενάριο χρήσης (σόναρ)
-Βασική Αρχιτεκτονική
-Ενεργοί και Παθητικοί νευρώνες
-Επίπεδα ενεργών νευρώνων
-Μαθηματική Υλοποίηση
-Πιθανή υλοποίηση στο Matlab
-Συναρτήσεις Μεταφοράς
-Διάνυσμα ως είσοδος στο Νευρώνα
-Υλοποίηση στο Matlab
-ΕΠΙΠΕΔΟ ΝΕΤΡΩΝΩΝ - ΑΡΧΙΣΕΚΣΟΝΙΚΗ
-Φόρτωμα των ςτοιχείων
-ΝΕΤΡΩΝΙΚΑ ΔΙΚΣΤΥΑ - ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ
-Αρχιτεκτονική του δικτύου
-Γραμμικά Διαχωρίσιμα Προβλήματα
-Δίκτυα Perceptron
-Η συνάρτηση newp()
-Πληροφορίες Αρχικοποίησης Δομής
-Τροποποίηση Αρχικοποίησης
-Εκπαίδευση του δικτύου
-Διαδικασία εκμάθησης
-Αποτελέσματα Εκμάθησης
-Δίκτυα Backpropagation
-Βήματα Διαδικασίας
-Συναρτήσεις Μεταφοράς
-Η συνάρτηση newff()
-Εκπαίδευση του δικτύου
-Εκμάθηση Backpropagation
-Απόδοση Εκπαίδευσης
-Χαρακτηριστικές Τιμές
-Χωρίζουμε τα δεδομένα
-Αρχικοποίηση του Δικτύου
-Έξοδος Παραδείγματος
-Ανταγωνιστική Εκπαίδευση
-Δίκτυα Kohonen
-Δίκτυα Kohonen (βάρη)
-Αναπροσαρμογή των βαρών
-Αναπροσαρμογή των bias
-Η συνάρτηση newc
-Δομές δεδομένων
-Το Neural Network Toolbox
-Το Neural Network Toolbox υποστηρίζει
-Περισσότερες πληροφορίες
-Ιδιότητες της δομής
-Προσομοίωση δικτύου
-Η είσοδος του δικτύου
-Αρχικοποίηση δικτύου
-Προσομοίωση Δικτύου
-Κώδικας παραδείγματος
-Αρχιτεκτονική του δικτύου
-Δημιουργία του Perceptron
-BACKPROPAGATION – MULTILAYER FEEDFORWARD ΔΙΚΤΥΑ
-ΚΑΤΑΣΚΕΥΗ ΤΟΥ ΔΙΚΤΥΟΥ – Η ΣΥΝΑΡΤΗΣΗ NEWFF( )
-ΕΚΠΑΙΔΕΥΣΗ ΤΟΥ ΔΙΚΤΥΟΥ – Η ΣΥΝΑΡΤΗΣΗ TRAIN( )
-ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΕΚΜΑΘΗΣΗ – ΤΑ ΔΙΚΤΥΑ KOHONEN
Open Academic Course
Num. of Visits : 605
Num. of Hits : 10102
