Logga in

Registrera

FFR135 · Chalmers tekniska högskola

Artificiella neurala nätverk

Ny kurs

Kom igång gratis

Inga tentor än

Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial

Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg

Kurs info

Kursplan
HP
7.5
Språk
Engelska
Institution
fysik

Lärandemål

  • kunna skilja mellan övervakad och oövervakad inlärning, förklara de viktigaste principerna för de motsvarande algoritmerna, och förstå deras skillnader och likheter-förstå under vilka förutsättningar man med fördel kan använda neurala nätverk-förstå begränsningar och grundläggande problem med olika neurala nätverks algoritmer-kunna implementera algoritmerna som introducerats i klassen, från grunden och med hjälp av befintliga programpaket-tolka resultaten av datorsimuleringar, och kommunicera slutsatser på ett tydligt, logiskt, och kortfattat sätt-kunna sammanfatta den historiska utvecklingen av ämnet-kunna reflektera på etiska frågor kring maskinginlärning, och möjliga risker
Kursinnehåll
  • Kursen bygger på kompendiet Machine learning with neural networks https://arxiv.org/abs/1901.05639.
  • Statistisk mekanik av neurala nätverk
  • McCulloch Pitts nervceller, Hopfield modell, stokastisk optimering,
  • Boltzmann maskiner
  • Djup inlärning med neurala nätverkPerceptroner, backpropagation, stokastisk gradientnedstigning, djup inlärning, rekurrenta nätverk3. Oövervakad inlärningHebbs algoritm, radiala basis funktioner, inlärning med förstärkning
Förutsättningar
  • Grundläggande behörighet för avancerad nivå
Litteratur
Kursbok
B. Mehlig Machine learning with neural networks https://arxiv.org/abs/1901.05639
Ytterligare referenser
I. Goodfellow, Y. Bengio & A. Courville, Deep Learning https://www.deeplearningbook.orgJ. Hertz, A. Krogh & R. G. Palmer, Introduction to the theory of neural computation, Addison-Wesely, Redwood City (1991).
S. Haykin, Neural Networks: a comprehensive foundation, 2nd ed., Prentice Hall, New Jersey (1999)
R.S. Sutton & A. Barto, Reinforcement learning: An Introduction, 2nd ed., MIT Press, http://www.incompleteideas.net/book/the-book-2nd.html
Liknande kurser vid andra universitet
Blekinge tekniska högskola

Blekinge tekniska högskola

Artificiell intelligens och ingenjörsmässighet

DV16831 tentamen
Redo att boosta dina studier?

Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.

Kom igång gratis

Produkt

  • Priser

  • Karriär

Företag

  • Om oss

  • Guider

  • Användarvillkor

  • Integritet

  • Support

Universitet

  • KTH

  • Uppsala universitet

  • Linköpings universitet

  • Chalmers

  • Lunds universitet

  • Luleå tekniska universitet

  • Stockholms universitet

  • Gymnasiet

Socialt

  • Instagram

  • Facebook

  • YouTube

  • TikTok

  • Linkedin

© 2026 Crash Course Sverige AB