At de studerende kan opbygge, optimere og anvende kunstige neurale netværk, fuzzy systemer og genetiske algoritmer til løsning af problemer med klassifikation, mønstergenkendelse, interpolation, prediction og data-mining.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Sammenligne og vælge mest egnede algoritmer til løsning af et givet problem.
Udvikling af neurale netværk og adaptiv fuzzy logic.
Optimere neurale netværk og fuzzy logic med anvendelse af statistiske metoder og genetiske algoritmer.
Analysere data for validitet og vælge indlærings- og testdata.
Klassificere og beskrive indlærings- og optimeringsalgoritmer.
Kende forskel på egenskaber ved feed-forward, feed-back og klynge netværk samt udnytte disse forskelle i anvendelse.
Beskrive grundlæggende biologiske såvel som kunstige neuroner.
Redegøre for terminologi og forudsætninger for netværk og algoritmer.
Præsentere projekt og rapport i gruppe.
Kursusindhold:
Biologiske neuroner og netværk.
Kunstige neurale netværk: - Neuroner og overføringsfunktioner, et- og flerlags netværk. - Feed forward / feed back netværk. - Selv-organiserende netværk. - Vektorkvantisering. - Feature maps. - Indlæringsalgoritmer, overvåget og ikke overvåget indlæring. - Reproduktion og generalisation. - Indlærings- og testdata.
Udvalgt specielt område indenfor intelligente systemer Fuzzy Logic and Fuzzy Learning. Genetiske Algoritmer. Gruppearbejde om afsluttende projekt og rapport.
