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

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Новая страница, с помощью формы Новый_проект)
 
(Чему вы научитесь?)
Строка 15: Строка 15:
 
=== Чему вы научитесь? ===
 
=== Чему вы научитесь? ===
 
- Формулировать постановку задачи  
 
- Формулировать постановку задачи  
- Писать надежный и понятный код  
+
- Писать надежный и понятный код <br />
 +
 
 
- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети
 
- Основам теории нейронных сетей на примере классической модели многослойной нейронной сети
  

Версия 17:43, 21 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