• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Research Seminar

2019/2020
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Delivered at:
Department of Applied Mathematics and Informatics (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))
Course type:
Compulsory course
When:
4 year, 3 module

Instructor

Программа дисциплины

Аннотация

Данная дисциплина относится к базовой части цикла дисциплин профиля подготовки бакалавра. Она изучается в 3 модуле 4-го курса. Изучение данной дисциплины опирается на фундаментальные курсы «Математический анализ», «Геометрия и алгебра», «Дискретная математика» из цикла «Математические и естественнонаучные дисциплины» и курс по выбору «Исследование операций». Основные положения данного курса могут использоваться при подготовке выпускной квалификационной работы, а также в практической и исследовательской деятельности.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знакомство с архитектурой, свойствами и алгоритмами обучения основных классов нейронных сетей
  • Развитие навыков нейросетевого моделирования при решении практических задач в экономических и финансовых приложениях
Планируемые результаты обучения

Планируемые результаты обучения

  • Соотносить вид нейронной сети с кругом задач, решаемых с ее помощью
  • Решать задачи классификации, аппроксимации, ассоциативной памяти и оптимизации с помощью основных классов нейронных сетей
  • Применять генетический алгоритм для обучения нейронной сети
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Понятие нейронной сети, ее функционирование и обучение. Классификация нейронных сетей.
    История исследования в области нейронных сетей. Биологический нейрон. Структура и функционирование искусственного нейрона. Постановка задачи обучения нейронной сети. Классификация нейронных сетей и их свойства. Эффективность нейронных сетей. Круг задач, решаемых с помощью нейронных сетей.
  • Основные классы нейронных сетей, их обучение и применение
    Однослойный персептрон. Многослойная нейронная сеть с сигмоидными функциями активации. Обучение с учителем: алгоритм обратного распространения ошибки. Линейный нейрон. Динамические нейронные сети: ADALINE и MADALINE. Обучение без учителя: алгоритм Кохонена. Слой Кохонена. Самоорганизующаяся карта Кохонена. Нейронные сети встречного распространения. Обучение без учителя: сигнальный метод Хебба. Линейный ассоциатор. Рекуррентные нейронные сети: сеть Хопфилда, сеть Хэмминга, сеть Элмана. Двунаправленная ассоциативная память. Решение задач классификации, распознавания образов, прогнозирования и управления с помощью указанных классов нейронных сетей.
  • Применение генетического алгоритма для настройки и обучения нейронных сетей
    Настройка весовых коэффициентов нейронной сети с помощью генетического алгоритма. Настройка коэффициентов функции энергии сети Хопфилда с с помощью генетического алгоритма.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
  • неблокирующий Экзамен
    Итоговый контроль в 2019/2020 учебном году состоялся в 3 модуле
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.5 * Домашнее задание + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Гладков, Л. А. Генетические алгоритмы [Электронный ресурс] / Под ред. В. М. Курейчика. - 2-е изд., исправл. и доп. - М.: ФИЗМАТЛИТ, 2010. - 368 с. - ISBN 978-5-9221-0510-1. - Режим доступа: http://znanium.com/catalog/product/544626
  • Ростовцев В.С. - Искусственные нейронные сети: учебник - Издательство "Лань" - 2019 - 216с. - ISBN: 978-5-8114-3768-9 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/122180

Рекомендуемая дополнительная литература

  • Нейронные сети: основы теории / А.И. Галушкин. - М.: Гор. линия-Телеком, 2012. - 496 с.: ил.; 60x90 1/16. (обложка) ISBN 978-5-9912-0082-0, 1000 экз. - Режим доступа: http://znanium.com/catalog/product/353660