Universitatea Babeş-Bolyai Cluj-Napoca
Facultatea de Matematică şi Informatică
Ciclul de studii: Licență

FISA DISCIPLINEI

Codul
Denumirea disciplinei
MI094 Retele neuronale şi aplicaţii
Specializarea
Semestrul
Ore: C+S+L
Categoria
Statutul
Informatică - linia de studiu maghiară
8
2+1+1
optionala
Matematică-Informatică - linia de studiu maghiară
8
2+1+1
optionala
Titularii de disciplina
Lect. Dr. CSATO Lehel,  csatolcs.ubbcluj.ro
Obiective
Cursul opţional „Reţele neuronale şi aplicaţii” are ca obiectiv familiarizarea studenţilor cu conceptele moderne ale inteligenţei artificiale, în speţă modelele adaptive cu reţele neuronale şi metodele de instruire automată a maşinilor.
În cursul semestrului se vor studia problemele generale ale instruirii automate. Se va analiza utilitatea acestor metode aplicate pentru diferite tipuri de date şi probleme. Se va accentua partea aplicativă şi cea empirică a algoritmilor studiaţi.
Continutul
•Modele de Instruire Automată (săptămânile 1-2) ref. [1,2,9]:
• Reţele neuronale, modele adaptive [1,9], (2 h.)
• Soluţii cu reţele neuronale: clasificare, regresie [2,9].(2 h.)
•Algoritmul EM (săptămânile 3-4) ref. [1,5]:
• Modele de clusterizare, probleme, soluţii [1,5],(2 h.)
• Algoritmul EM şi aplicaţii [1,5],(2 h.)
•Analiza bazată pe componente (săptămânile 5-8) ref. [1,3,5,9]:
• Bazele modelării statistice – matrici, valori proprii [1,9],(2+2 h.)
• Componente principale folosite in eliminarea zgomotului [3,5].(2 h.)
• Analiza bazată pe componente independente [9].(2 h.)
•Modelare Bayesiană (săptămânile 9-11) ref. [2,3,4,5]:
• Introducere, diferite metode de estimare a parametrilor [2,3],(2 h.)
• Modelare ierarhică şi estimarea parametrilor în acest model [2,5],(2 h.)
• Modele Bayesiene, obţinerea probabilităţi a-posteriori şi a entităţilor predictive [4,5].(2 h.)
•Modele Markov Ascunse (HMMs) (săptămânile 12-14) ref. [6,7]:
• HMM, definiţii,metode de estimare [6],(2 h.)
• Aplicaţii ale HMM-urilor (1) recunoaşterea sunetului [6,7],(2 h.)
• Aplicaţii ale HMM-urilor (2) segmentarea secvenţelor genetice [6,7],(2 h.)
Bibliografie
[1]. Bishop C.M (2006) Pattern Recognition and Machine Learning, Springer Verlag.
[2]. Russell S, Norvig P. (2003) Artificial Intelligence: A Modern Approach (Second Edition), Prentice Hall.
[3]. Mitchell T (1997) Machine Learning, McGraw Hill.
[4]. Bernardo J.M, Smith A.F.M (2000) Bayesian Theory, John Wiley & Sons.
[5]. MacKay D.J.C (2003) Information Theory, Inference and Learning Algorithms, Cambridge University Press, HTTP: http://wol.ra.phy.cam.ac.uk/mackay/itila/book.html.
[6]. Rabiner L.R, Juang, B.H (1986) An introduction to Hidden Markov models, IEEE ASSP Magazine, pp: 4-15.
[7]. Durbin R, Eddy S.R, Krogh A, Mitchison G (1999) Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge University Press.
[8]. Hyvärinen A, Karhunen J, Oja E (2001) Independent Component Analysis, Wiley-Interscience.
[9]. Barto A. (2002): Statistical Pattern Recognition, John Wiley & Sons.
Evaluare
Evaluarea va fi bazată pe rezolvarea problemelor date în cursul seminariilor şi a claselor de laborator – în proporţie de 40%. Examenul în perioada de sesiune are proporţia de 60% din nota finală. Neprezentarea tuturor problemelor de laborator înseamnă discalificarea de la examinarea finală.
Legaturi: Syllabus-urile tuturor disciplinelor
Versiunea in limba engleza a acestei discipline
Versiunea in format rtf a acestei discipline