Разработка модели многослойной нейронной сети и ее обучение. (проект) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Темы вводных занятий)
 
(не показаны 4 промежуточные версии 3 участников)
Строка 12: Строка 12:
 
=== Что это за проект? ===
 
=== 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.
 
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.
 +
 +
[http://www.slideshare.net/katyacherniak/hse-project-inroductionlisenkov21012016 презентация проекта]
  
 
=== Чему вы научитесь? ===
 
=== Чему вы научитесь? ===
* Формулировать постановку задачи <br />
+
* Формулировать постановку задачи.
  
* Писать надежный и понятный код <br />
+
* Писать надежный и понятный код.
  
* Основам теории нейронных сетей на примере классической модели многослойной нейронной сети<br />
+
* Основам теории нейронных сетей на примере классической модели многослойной нейронной сети.
  
 
=== Какие начальные требования? ===
 
=== Какие начальные требования? ===
Строка 37: Строка 39:
  
 
=== Критерии оценки ===
 
=== Критерии оценки ===
4-5 : реализованная и протестированная модель многослойной нейронной сети и алгоритм обучения (обратного распространения ошибки) <br />
+
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.<br />
+
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)
+
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 ===
 
=== Ориентировочное расписание занятий ===

Текущая версия на 16:15, 28 июля 2017

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.

презентация проекта

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