Разработка модели многослойной нейронной сети и ее обучение. (проект) — различия между версиями
(→Темы вводных занятий) |
(→Чему вы научитесь?) |
||
Строка 14: | Строка 14: | ||
=== Чему вы научитесь? === | === Чему вы научитесь? === | ||
− | * Формулировать постановку задачи | + | * Формулировать постановку задачи. |
− | * Писать надежный и понятный код | + | * Писать надежный и понятный код. |
− | * Основам теории нейронных сетей на примере классической модели многослойной нейронной сети | + | * Основам теории нейронных сетей на примере классической модели многослойной нейронной сети. |
=== Какие начальные требования? === | === Какие начальные требования? === |
Версия 14:16, 24 ноября 2015
Ментор | Иван Лисенков |
Учебный семестр | Весна 2016 |
Учебный курс | 1-й курс |
Проект можно развивать на летней практике | |
Максимальное количество студентов, выбравших проект: 3 | |
Что это за проект?
Разработать приложение моделирующую классическую модель многослойной нейронной сети с возможностью установки вручную весов синаптических связей, а так же автоматической коррекции весов с помощью алгоритма обучения.
Чему вы научитесь?
- Формулировать постановку задачи.
- Писать надежный и понятный код.
- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети.
Какие начальные требования?
- Программирование на C/C++/Python (в рамках прослушанного курса).
- Желание разобираться в современных алгоритмах теории искуственных нейронных сетей.
Какие будут использоваться технологии?
C++ / Python в рамках прослушанного курса.
Темы вводных занятий
Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки).
Направления развития
- Визуализация обучающей выборки, предварительная обработка данных.
- Интеграция с реляционной базой данных.
Критерии оценки
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки)
6-7 : Оптимизация алгоритма обучения посредством автоматической коррекции шага обучения; инициализации весовых коэффициентов.
8-10 : Дополнительно, визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи), работа с файлами (возможность интеграции import/export файлов обучающей выборки с существующим ПО статистической обработки данных)
Ориентировочное расписание занятий
ВТ 15.00-21.00
ЧТ 15.00-21.00