Рабочая программа учебной дисциплины сдм. 01. 03 Нейросетевые технологии
| Вид материала | Рабочая программа |
- Рабочая программа учебной дисциплины «моделирование при стратегическом планировании», 242.46kb.
- Рабочая программа дисциплины современные методы и технологии строительства лесовозных, 96.32kb.
- Рабочая программа учебной дисциплины сдм. 01. 02 Виды обеспечений сапр для подготовки, 191.35kb.
- Программа дисциплины Нейросетевые технологии в финансах для направления 080100., 401.37kb.
- Рабочая программа учебной дисциплины ф тпу 1 -21/01, 102.93kb.
- Рабочая программа учебной дисциплины ф тпу 1 -21/01 утверждаю, 218.48kb.
- Рабочая программа учебной дисциплины Ф. 03. 03. 04 1-21/01 утверждаю, 313.98kb.
- Рабочая программа учебной дисциплины ф тпу 1-21/01 утверждаю, 262.61kb.
- Рабочая программа учебной дисциплины ф тпу 1-21/01 утверждаю, 274.58kb.
- Рабочая программа учебной дисциплины ф тпу 1-21/01 утверждаю, 267.7kb.
Государственное образовательное учреждение высшего профессионального образования
«Воронежский государственный технический университет»
«Утверждаю»
Декан ЕГФ
_____________С.М.Пасмурнов
РАБОЧАЯ ПРОГРАММА
УЧЕБНОЙ ДИСЦИПЛИНЫ
СДМ.01.03 Нейросетевые технологии
Для специальности (направления) _230200 «Информационные системы»
магистерская программа «Анализ и синтез информационных систем»
форма обучения очная
срок обучения нормативный
Воронеж 2009
Дисциплина преподается на основании решения учебно-методического совета факультета.
Составитель программы___________________ к.т.н., доц. А.В. Питолин
Рабочая программа обсуждена на заседании кафедры «Системы автоматизированного проектирования и информационные системы»
Протокол №___ от _____________ 200 г.
Зав. кафедрой________________проф. каф. САПРИС, д.т.н Я.Е.Львович
Рабочая программа рассмотрена и одобрена методической комиссией ЕГФ _____________ 200 г.
Председатель МК,
доцент, к.т.н. О.Г.Яскевич
СОДЕРЖАНИЕ РАБОЧЕЙ ПРОГРАММЫ
ПРЕПОДАВАНИЯ ДИСЦИПЛИНЫ
1. ЦЕЛЬ И ЗАДАЧИ ДИСЦИПЛИНЫ,
1. Цель преподавания дисциплины
Основной целью преподавания дисциплины «Нейросетевые технологии» является освоение студентами теоретических и практических основ нейросетевых технологий, изучение методов проектирования искусственных нейронных сетей, построения математических моделей и анализа их функционирования.
2. Требования к уровню освоения содержания дисциплины
- получить знания об основных принципах организации нейросетей, их особенностях и возможностях;
- овладеть приемами построения математических моделей обучения нейронных сетей;
- знать алгоритмы настройки параметров для различных классов нейросетей;
- уметь оценивать эффективность процесса функционирования искусственных нейронных сетей;
- знать основные нейросетевые парадигмы и особенности их использования при решении конкретных задач.
3. Объем дисциплины и виды учебной работы
Форма обучения_очная
Срок обучения нормативный
Курс 6
| Вид занятий | Всего часов | Семестры и количество часов | |
| Общая трудоемкость | 80 | 11 | 80 |
| Аудиторные занятия | 30 | 11 | 30 |
| Лекции | 15 | 11 | 15 |
| Лабораторные работы | 15 | 11 | 15 |
| Самостоятельная работа | 50 | 11 | 50 |
| Работа над темами для самостоятельного изучения | 50 | 11 | 50 |
| Рубежи контроля знаний | экзамен | 11 | экзамен |
3. Содержание дисциплины
Введение
Роль и место дисциплины в учебном процессе. Классы задач, решаемых искусственными нейронными сетями.
Основные положения теории искусственных нейронных сетей.
Краткий исторический обзор развития нейросетевых технологий. Биологические нейронные сети. Основные отличия нейрокомпьютеров от ЭВМ предыдущих поколений. Механизмы обработки информации в биологических нейронных сетях. Ассоциативная организация памяти
Математические модели искусственных нейронных сетей.
Структура и свойства искусственного нейрона. Классификация нейронных сетей и их свойства. Постановка и возможные пути решения задачи обучения нейронных сетей. Обучение нейронных сетей как многокритериальная задача оптимизации. Сравнительный анализ алгоритмов обучения нейронных сетей. Многослойная нейронная сеть и алгоритм обратного распространения ошибки. Использование парадигмы Back Propagation для решения практических задач. Переобучение и обобщение. Полносвязная нейронная сеть без скрытых нейронов. Модель однослойного персептрона. Проблема «исключающее ИЛИ» и пути ее решения. Обучение без учителя. Алгоритм обучения Кохонена. Нейронные сети встречного распространения. Нейронные сети Хемминга и Хопфилда. Сеть с радиальными базисными элементами. Вероятностная нейронная сеть. Обобщенно-регрессионная нейронная сеть. Оценка эффективности нейронных сетей.
Особенности аппаратной и программной реализации нейрокомпьютинга
Архитектурные решения и схемотехнические принципы построения нейрокомпьютеров. Элементная база нейрокомпьютеров. Сравнительные характеристики нейросхем и нейрокомпьютеров. Сравнение стоимости обычных и нейро-вычислений. Классы программных продуктов, реализующих технологию нейровычислений. Нейро-эмуляторы. Готовые нейро-пакеты. Инструменты разработки нейроприложений. Готовые решения на основе нейросетей. Нейросетевой консалтинг.
4.1.Разделы дисциплины и виды занятий(тематический план)
| N n/n | Разделы дисциплины | Лекции (час) | Лабор. занят. (час) |
| 1 | Введение | 1 | |
| 2 | Основные положения теории искусственных нейронных сетей | 4 | 8 |
| 3 | Математические модели искусственных нейронных сетей. | 8 | 7 |
| 4 | Особенности аппаратной и программной реализации нейрокомпьютинга | 2 | |
3.2 Содержание разделов дисциплины.
Раздел 1. Введение (1 час)
Лекция 1 Роль и место дисциплины в учебном процессе. Классы задач, решаемых искусственными нейронными сетями (1 час).
Самостоятельное изучение. Основные понятия и определения
Раздел 2. Основные положения теории искусственных нейронных сетей (4 часа)
Лекция 2 Краткий исторический обзор развития нейросетевых технологий. Биологические нейронные сети. (2 часа)
Лекция 3. Структура и свойства искусственного нейрона. Классификация нейронных сетей и их свойства (2 часа)
Самостоятельное изучение. Механизмы обработки информации в биологических нейронных сетях. Ассоциативная организация памяти.
Раздел 3. Математические модели искусственных нейронных сетей (8 часов)
Лекция 4 Постановка и возможные пути решения задачи обучения нейронных сетей. (2 часа).
Лекция 5 Многослойная нейронная сеть и алгоритм обратного распространения ошибки (2 часа).
Лекция 6 Переобучение и обобщение. Модель однослойного персептрона. Проблема «исключающее ИЛИ» и пути ее решения (2 часа).
Лекция 7 Обучение без учителя. Алгоритм обучения Кохонена (2 часа).
Самостоятельное изучение. Обучение нейронных сетей как многокритериальная задача оптимизации. Сравнительный анализ алгоритмов обучения нейронных сетей. Использование парадигмы Back Propagation для решения практических задач. Нейронные сети встречного распространения. Нейронные сети Хемминга и Хопфилда. Сеть с радиальными базисными элементами. Вероятностная нейронная сеть. Обобщенно-регрессионная нейронная сеть. Оценка эффективности нейронных сетей.
Раздел 4. Особенности аппаратной и программной реализации нейрокомпьютинга (2 часа)
Лекция 8 Элементная база нейрокомпьютеров. Классы программных продуктов, реализующих технологию нейровычислений. (2 часа).
Самостоятельное изучение. Архитектурные решения и схемотехнические принципы построения нейрокомпьютеров.
5.Лабораторный практикум.
| N n/n | N раздела дисциплины | Наименование лабораторной работы | Кол-во часов |
| 1 | Раздел 2 | Моделирование и анализ нейронных сетей на основе пакета NeuroPro | 8 |
| 2 | Раздел 3 | Решение задач прогнозирования и классификации с использованием пакета прикладных программ Neural Analyzer | 7 |
6.Учебно-методическое обеспечение дисциплины.
6.1. Рекомендуемая литература
а) основная литература
- Питолин А.В. Основы проектирования искусственных нейронных сетей: Учеб. пособие / Воронеж: Изд-во ВГТУ. 2001. 108 с.
- Питолин А.В. Искусственные нейронные сети. Теория и практика: Учеб. пособие. Воронеж: ГОУВПО «Воронежский государственный технический университет», 2007. 126 с.
- Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком. 2001. 382 с.
б) дополнительная литература
- Р. Каллан. Основные концепции нейронных сетей. Пер. с англ. – Москва-Санкт-Питербург – Киев. Издательский дом «Вильямс». 2001.
в) методическая литература
- Питолин А.В. Решение неформализованных задач на основе нейросетевого моделирования // Методические указания к лабораторным работам по курсу «Нейросетевые технологии информационных систем» для студентов специальности 230201 «Информационные системы и технологии» очной формы обучения / ГОУВПО «Воронежский государственный технический университет»; сост. А.В. Питолин. Воронеж, 2007. 25 с.
- Питолин А.В. Решение задач прогнозирования и классификации с использованием пакета прикладных программ NEURAL ANALYZER // Методические указания к лабораторным работам по курсу "Нейросетевые технологии информационных систем" для студентов специальности 071900 "Информационные системы" – Воронеж, ВГТУ, 2003. - 29 с.
6.2. Средства обеспечения освоения дисциплины.
Среда визуального программирования Delphi 6.0, пакеты прикладных программ NeuroPro, Deductor Lite
7. Материально-техническое обеспечение дисциплины.
Лаборатории «Информационных технологий» 217/3, 212/, 206а/3
ЭВМ Pentium IV- 9 шт.
8. Методические рекомендации по организации изучения дисциплины
8.1. Методические рекомендации для преподавателя
Работа преподавателя по организации изучению дисциплины заключается в чтении лекций в соответствии с рабочей программой, проведении лабораторных занятий и их прием у студентов, проведение промежуточных мероприятий по проверке знаний, проведение итогового контроля в виде экзамена и проведение контроля остаточных знаний. Самостоятельное изучение отдельных разделов дисциплины преподаватель должен организовать в соответствии с планом-графиком самостоятельной работы студентов. Основной учебный материал занесён в систему дистанционного обучения Афина.
8.2. Методические рекомендации для студентов
Студенты очной формы обучения нормативного срока обучения изучают дисциплину " Нейросетевые технологии " в течение 11 семестра. Виды и объем учебных занятий, формы контроля знаний приведены в табл. 1. Темы и разделы рабочей программы, количество лекционных часов и количество часов самостоятельной работы студентов на каждую из тем приведены в табл. 2. В первой колонке этой таблицы указаны номера тем согласно разделу 4. Организация лабораторного практикума, порядок подготовки к лабораторным занятиям и методические указания к самостоятельной работе студентов, а также порядок допуска к лабораторным занятиям и отчетности по проделанным работам определены в методических указаниях по выполнению лабораторных работ.
Самостоятельная работа студентов в ходе изучения лекционного материала заключается в проработке каждой темы в соответствии с методическими указаниями , а также в выполнении домашних заданий, которые выдаются преподавателем на лекционных занятиях. Необходимым условием успешного освоения дисциплины является строгое соблюдение графика учебного процесса по учебным группам в соответствии с расписанием.
В рамках выполнения лабораторных работ ставится целью развитие практических навыков использования нейросетевых технологий для решения задач слобоформализованного характера, связанных с обработкой больших объемов многомерной информации и исследования и программирования алгоритмов проектирования искусственных нейронных сетей с целью повышения эффективности их функционирования.
Приложение 1.
Календарный план чтения лекций.
| Номер и краткое название темы (лекции) | Дата NN недель | Примечание |
| Лекция 1 Роль и место дисциплины в учебном процессе. Классы задач, решаемых искусственными нейронными сетями | 1 | |
| Лекция 2 Краткий исторический обзор развития нейросетевых технологий. Биологические нейронные сети. | 2 | |
| Лекция 3 Структура и свойства искусственного нейрона. Классификация нейронных сетей и их свойства | 3 | |
| Лекция 4 Постановка и возможные пути решения задачи обучения нейронных сетей | 4 | |
| Лекция 5 Многослойная нейронная сеть и алгоритм обратного распространения ошибки | 5 | |
| Лекция 6 Переобучение и обобщение. Модель однослойного персептрона. Проблема «исключающее ИЛИ» и пути ее решения | 6 | |
| Лекция 7 Обучение без учителя. Алгоритм обучения Кохонена | 7 | |
| Лекция 8 Элементная база нейрокомпьютеров. Классы программных продуктов, реализующих технологию нейровычислений. | 8 | |
Приложение 2.
План-график самостоятельной работы
| N Недели | Вид работы | Норматив час/задание | Объем (кол-во заданий) | Трудоем-кость(час) | Всего за неделю (час) |
| 1 | Основные понятия и определения | 4 | 2 | 8 | 8 |
| 3 | Механизмы обработки информации в биологических нейронных сетях. Ассоциативная организация памяти | 2 | 5 | 10 | 10 |
| 5 | Обучение нейронных сетей как многокритериальная задача оптимизации. Сравнительный анализ алгоритмов обучения нейронных сетей. | 2 | 8 | 16 | 16 |
| 7 | Нейронные сети встречного распространения. Нейронные сети Хемминга и Хопфилда. Сеть с радиальными базисными элементами. Вероятностная нейронная сеть. Обобщенно-регрессионная нейронная сеть. | 2 | 7 | 14 | 14 |
| 8 | Архитектурные решения и схемотехнические принципы построения нейрокомпьютеров. | 2 | 5 | 10 | 10 |
Приложние 3.
Мотивированное заключение о соответствии
рекомендованной литературы лицензионным нормам
Рекомендованная литература отражает вопросы курса «Нейросетевые технологии информационных систем» в полном объеме. Соответствует лицензионным нормам и составляет не менее 0.5 экземпляра на человека.