Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών


Πανεπιστήμιο Θεσσαλίας (Βόλος)


Disclaimer

Η παρούσα ιστοσελίδα δεν υποκαθιστά την τάξη. Θα ενημερώνεται ασύγχρονα και μη πλήρως

Περίληψη

  1. Το μάθημα θα διαπραγματευτεί:
    Βασικές έννοιες νευρωνικών δικτύων και ασαφούς λογικής
  2. Εστιάζει σε νευρωνικά δίκτυα:
    Feedforward
    Radial Basis
    Competitive (SOM, LVQ)
    Hebbian
    Recurrent
    Convolutional
    Deep architectures
    Fuzzy logic and fuzzy subset theory
  3. Επικεντρώνει:
    στην χρήση των παραπάνω σε υπολογισμούς

Διδάσκων

Δημήτριος Κατσαρός

Προτεινόμενη βιβλιογραφία

Βιβλίο
Τίτλος Τεχνητά Νευρωνικά Δίκτυα Neural Networks and Learning Machines
Τοπικό αντίγραφο εδώ
Neural Networks and Deep Learning Fuzzy and Neural Approaches in Engineering Deep Learning
Τοπικό αντίγραφο εδώ
Συγγραφείς Κωνσταντίνος Διαμαντάρας Simon Haykin Charu C. Aggarwal Lefteri H. Tsoukalas και Robert E. Uhrig Ian Goodfellow και Yoshua Bengio και Aaron Courville
Έκδοση 2007 Τρίτη (Νοέμβριος 2008) Πρώτη (Αύγουστος 2018) Πρώτη (Φεβρουάριος 1997) Πρώτη (Νοέμβριος 2016)
Γλώσσα Ελληνική Αγγλική Αγγλική Αγγλική Αγγλική

Απαιτήσεις μαθήματος:


Δείτε την Αξιολόγηση (Φθιν.2018) του μαθήματος και του διδάσκοντος από τους φοιτητές.

Οι διαλέξεις θα ξεκινήσουν την εβδομάδα Σεπτ. 23-27 2019

Δευτέρα 09:00-11:00 (Αμφιθέατρο Α3 Χωροταξίας) και Πέμπτη 17:00-19:00 (Αμφιθέατρο Α3 Χωροταξίας)


1η Σειρά Προβλημάτων

Ανακοίνωση: 25 Σεπτ. 2019, Παράδοση: 29 Οκτ. 2019
Η εκφώνηση βρίσκεται εδώ.

2η Σειρά Προβλημάτων

Ανακοίνωση: 28 Οκτ. 2019, Παράδοση: 01 Δεκ. 2019

3η Σειρά Προβλημάτων

Ανακοίνωση: 01 Δεκ. 2019, Παράδοση: 12 Ιαν. 2020

Προγραμματιστική εργασία (ομάς 2 ατόμων)

Ανακοίνωση: 21 Οκτ. 2019, Παράδοση: Πέρας της εξεταστικής Ιαν. 2020.
Η εκφώνηση βρίσκεται εδώ.

Δείτε εδώ τους τελικούς βαθμούς μετά και την εξετ.Σεπτ..

Βρείτε εδώ την Σύνοψη των διαλέξεων

Πρόγραμμα διαλέξεων

Εβδομάδα Ημερομηνία Αντικείμενο διάλεξης Διαφάνειες (1o μέρος) Διαφάνειες (2ο μέρος) Σύνδεσμοι στις σχετικές εργασίες
1 23-26/09/2019 α) Introduction to Neural Networks
β) Introduction to TensorFlow
Διάλεξη 1 Διάλεξη 2 link-1
2 30/09-03/10/2019 α) The basic Perceptron architecture and learning algorithm
β) Activation functions
Διάλεξη 3 Διάλεξη 4 link-2
link-3
3 07-10/10/2019 α) The ADALINE (Widrow-Hoff) neural network
β) Multi-layer Perceptron and the backpropagation algorithm
Διάλεξη 5 Διάλεξη 6 link-4
link-5
link-6
α) Exercices on ADALINE and Backpropagation
Διάλεξη 7 Διάλεξη 8
4 21-24/10/2019 α) Heuristic variations on backpropagation: Momentum, Variable learning rate
β) Optimization-based backpropagation: Conjugate gradient, Levenberg-Marquardt
Διάλεξη 9 Διάλεξη 10 link-7
link-8
link-9
link-10
link-11
link-12
link-13
link-14
link-15
link-16

Optimizers for deep models

link-17
link-18
link-19
link-20
link-21
link-22
4.5 31/10/2019 α) National Holiday
β) Radial-Basis Function Neural Networks
Διάλεξη 11 Διάλεξη 12 link-23
link-24
link-25
link-26
link-27
5.5 04-07/11/2019 α) Training RBF networks with Linear Least Squares (LLS)
β) Hamming network and Competitive Learning
Διάλεξη 13 Διάλεξη 14 link-28
6.5 11-14/11/2019 α) Self-Organizing Feature Map and Learning Vector Quantization
β) Exercises on Kohonen's rule and on SDBP with momentum
Διάλεξη 15 Διάλεξη 16 link-29
7.5 18-21/11/2019 α) Supervised Hebbian learning
β) Exercises
Διάλεξη 17 link-30
8.5 25-28/11/2019 α) Dynamic networks: Real Time Recurrent Learning (RTRL)
β) Dynamic networks: Backpropagation Through Time (BPTT)
Διάλεξη 18 Διάλεξη 19 link-31
link-32
link-33
link-34
link-35
link-36
link-37
9.5 02-05/12/2019 α) Exercises on RTRL
β) Exercises on BPTT
10.5 09-12/12/2019 α) Convolutional neural networks Ι
β) Convolutional neural networks ΙI
Διάλεξη 20
Διάλεξη 21
link-38
link-39
link-40
11.5 16-19/12/2019 Fuzzy logic Introduction to Fuzzy logic
Η τελική γραπτή εξέταση αναμένεται
να λάβει χώρα 13/01/2020 09:00-11:00
στην αίθουσα Αμφιθέατρο Α3 στο κτήριο της Χωροταξίας.


dkatsar AT e-ce DOT uth DOT gr
Τελευταία ενημέρωση: Πεμ., 03 Οκτωβρίου 2019