Neuronové sítě 1

• Domů
• O předmětu
• Zápočty
• Poznámky z přednášek a cvičení

14. týden (24. - 26. hodina 19.-22.5.2025)

• Prezentace studentů. Účast na všech třech hodinách je velmi žádoucí :)
• POZOR: kvůli probíhající rekonstrukci učebny T105 bude výuka probíhat v učebně T124
• Předběžný rozvrh prezentací:
  • Pondělí 19. května 2025, 8: 00, T124
    • Rozpoznávání ručně psaných partií šachů
    • Klasifikace ovoce
    • Klasifikace rýže
    • Klasifikace geometrických tvarů
  • Úterý 20. května 2025, 8: 00, T124
    • Klasifikace typu fotbalového hráče
    • Termodynamické vlastnosti fononů
    • Klasifikace smajlíků
    • Konvergence číselných řad
  • Čtvrtek 22.května 202ř, 8:00, T124
    • Klasifikace odpadu
    • Matematické výrazy?
    • Supravodivé materiály

13. týden (22. hodina 12.5.2015 a 23. hodina 15.5.2025)

• Učení bez učitele (samoorganizace, unsupervised learning)
  • Shlukování - dokončení.
  • Samoorganizující se modely neuronových sítí - úvod. Kompetitivní modely. Neural Gas. Kohonenovy mapy.
• Hybridní modely neuronových sítí (LVQ, RBF apod.).
• hodina22.pdf
• Ukázky a příklady: SOM
• Ukázky a příklady: hierarchické shlukování

12. týden (21. hodina 5.5.2025)

• Učení bez učitele (samoorganizace, unsupervised learning)
  • Shlukování - pokračování: algoritmus k středů, hierarchické shlukování.
• hodina21.pdf
• Ukázky a příklady: k-means
• Ukázky a příklady: hierarchické shlukování

11. týden (20. hodina 28.4.2025)

• Učení bez učitele (samoorganizace, unsupervised learning) - úvod, shlukování.
• hodina20.pdf
• Ukázky a příklady

10. týden (19. hodina 24.4.2025)

• Konvoluční neuronová síť (CNN - convolutional neural network) - dokončení
• Přenesené učení, fine-tuning.
• Známé architektury konvolučních neuronových sítí.
• Aplikace CNN pro řešení různých typů úloh.
• Praktické příklady.
• Lehký úvod do dalších modelů hlubokého učení.
• Pokud zbyde čas: Učení bez učitele (samoorganizace, unsupervised learning) - úvod.
• hodina19.pdf
• Ukázky a příklady

9. týden (17. hodina 14.4.2025, 18. hodina 17.4.2025)

• Konvoluční neuronová síť (CNN - convolutional neural network)
• Učení konvoluční neuronové sítě od začátku, vizualizace.
• Efektivní zpracování obrazových dat knihovnami, využití data loaderů.
• Techniky pro zlepšení zobecňování. Augentace dat. Přenesené učení, fine-tuning - pouze úvod.
• Praktické příklady.
• hodina17.pdf
• Ukázky a příklady

8. týden (15. hodina 7.4.2025, 16. hodina 10.4.2025)

• Vrstevnatá neuronová síť (MLP - multilayer perceptron) - dokončení.
  • Dokončení příkladu z minule - Predikce časové řady.
  • Schopnost vrstevnaté neuronové síě zobecňovat a techniky bránící přeučení. Příklady.
• Konvoluční neuronová síť (CNN - convolutional neural network) - úvod, operace konvoluce, architektura modelu, ukázky.
• hodina15.pdf
• hodina16.pdf
• Ukázky a příklady - MLP.
• Ukázky a příklady - CNN.

7. týden (13. hodina 31.3.2025, 14. hodina 3.4.2025)

• Vrstevnatá neuronová síť (MLP - multilayer perceptron) - pokračování.
• Dokončení příkladu z minule - MLP v Kerasu a nastavení hyperparamerů. Ladění. TensorBoard.
• Více o algoritmech učení
• Ukázky řešení úloh různých typů pomocí MLP (klasifikace, regrese, predikce časové řady).
• hodina13.pdf
• Ukázky a příklady - Příklad na binární klasifikaci.
• Ukázky a příklady - Příklady na další typy úloh.

6. týden (11. hodina 24.3.2025, 12. hodina 27.3.2025)

• Neuronová síť s více vrstvami (MLP - multilayer perceptron) - knihovny a příklady.
• Úvod do Pythonovských knihoven pro hluboké neuronové sítě. Instalace. Podrobněji o Kerasu. TensorBoard.
• Analýza modelu vrstevnaté neuronové sítě. Podrobná ukázka práce s Kerasem na vzorové úloze. Nastavení hyperparaetrů a jejich vliv na průběh učení.
• hodina11.pdf
• Ukázky a příklady - Ukázky implentací vrstevnaté neuronové sítě pomocí různých frameworků
• Ukázky a příklady - Instrukce k instalaci knihoven, příklady.

5. týden (9. hodina 17.3.2025, 10. hodina 20.3.2025)

• Neuronová síť s jednou vrstvou neuronů - dokončení, praktické příklady.
• Neuronová síť s více vrstvami (MLP - multilayer perceptron) - úvod, algoritmus zpětného šíření chyby (back-propagation).
• Úvod do Pythonovských knihoven pro hluboké neuronové sítě.
• hodina9.pdf
• Ukázky a příklady - Neuronová síť s jednou vrstvou neuronů.
• Ukázky a příklady - Ukázky implentací vrstevnaté neuronové sítě pomocí různých frameworků

4. týden (7. hodina 10.3.2025, 8. hodina 13.3.2025)

• Neurony se spojitou přenosovou funkcí a jejich učení gradientní metodou. Ukázky a praktické příklady.
• Neuronová síť s jednou vrstvou neuronů - úvod, zpracování kategoriálních dat.
• hodina6.pdf
• Ukázky a příklady - Lineární neuron a jeho učení, Obecný perceptron a jeo učení, praktické úlohy.
• Ukázky a příklady - Neuronová síť s jednou vrstvou neuronů.

3. týden (5. hodina 3.3.2025, 6. hodina 6.3.2025)

• Perceptron a jeho algoritmy učení: Praktické příklady - dokončení.
• Lineární neuron a jeho algoritmy učení. Ukázky a praktické příklady.
• Neurony se spojitou přenosovou funkcí a jejich učení gradientní metodou. Ukázky a praktické příklady.
• hodina5.pdf
• Ukázky a příklady - Rosenblattův algoritmus a jeho varianty, praktické úlohy
• Ukázky a příklady - Lineární neuron a jeho učení, Obecný perceptron a jeo učení, praktické úlohy

2. týden (3. hodina 24.2.2025, 4. hodina 27.2.2025)

• Perceptron a reprezentace logických funkcí. Logický prahový obvod. Dokončení + příklady.
• Perceptron a lineární separabilita.
• Perceptron a jeho algoritmy učení. Příklady (ukázky).
• Perceptron a jeho algoritmy učení: Praktické příklady (cvičení).
• hodina3.pdf
• Ukázky a příklady - Rosenblattův algoritmus a jeho varianty, praktické úlohy

1. týden (1. hodina 17.2.2025, 2. hodina 20.2.2025)

• prednaska1.pdf
  • O předmětu. Rozcestník. Podmínky získání zápočtu
  • Úvod do strojového učení a umělých neuronových sítí.
  • Strojové učení. Typy úloh. Průběh řešení úlohy strojového učení.
  • Stručná historie umělých neuronových sítí.
• prednaska2.pdf
  • Od biologického neuronu k umělému neuronu
  • Perceptron. Geometrická interpretace
  • Reprezentace logických funkcí. Logický prahový obvod.
  • Dobrovolný (bonusový) domácí úkol: navrhnout logickou funkci a co nejmenší perceptronovou síť (logický prahový obvod) pro XOR. Popř. vymyslet víc variant.
  • Příklad - ukázka perceptronu + jeho geometrická interpretace ve 2D
  • Ukázka použití numpy a dalších balíčků (matplotlib, pandas). Převzato z jiného kurzu. Na hodině jsme si zatím ukazovali jen numpy.