Разработка модели персептрона Розенблатта (проект) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Критерии оценки)
 
(не показана одна промежуточная версия ещё одного участника)
Строка 2: Строка 2:
 
|name=Разработка модели персептрона Розенблатта
 
|name=Разработка модели персептрона Розенблатта
 
|mentor=Лисенков Иван
 
|mentor=Лисенков Иван
|mentor_login=Ivan_Lisenkov
+
|mentor_login={{URLENCODE:Ivan_Lisenkov|WIKI}}
 
|semester=Весна 2015
 
|semester=Весна 2015
 
|course=1
 
|course=1
 
|summer=
 
|summer=
 
|categorize=yes
 
|categorize=yes
 +
|is_archived=yes
 
}}
 
}}
  

Текущая версия на 10:49, 20 октября 2015

Ментор Лисенков Иван
Учебный семестр Весна 2015
Учебный курс 1-й курс


Внимание! Данный проект находится в архиве и реализован не будет.

Что это за проект?

Разработать приложение моделирующую классическую модель пересептрона Розенблатта 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 Перспетрона Розенблатта

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, Алгоритм обучения перспетрона Розенблатта)

Направления развития

  • Визуализация обучающей выборки, предварительная обработка данных
  • Разработка модели нейронной сети с одним скрытым слоем, и реализация алгоритма обратного распространения ошибки (Back-propagation algorithm, deep learning)
  • Интеграция с реляционной базой данных

Критерии оценки

  • 4-5 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
  • 6-7 : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного, так и для n-мерного случая
  • 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)