Разработка модели персептрона Розенблатта (проект): различия между версиями

Текущая версия от 07:49, 20 октября 2015


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


Содержание 1 Что это за проект? 2 Чему вы научитесь? 3 Какие начальные требования? 4 Какие будут использоваться технологии? 5 Темы вводных занятий 6 Направления развития 7 Критерии оценки

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)

@@ Строка 2: / Строка 2: @@
 |name=Разработка модели персептрона Розенблатта
 |mentor=Лисенков Иван
-|mentor_login={{URLENCODE:{{REVISIONUSER}}|WIKI}}
+|mentor_login={{URLENCODE:Ivan_Lisenkov|WIKI}}
 |semester=Весна 2015
 |course=1
 |summer=
 |categorize=yes
+|is_archived=yes
 }}
@@ Строка 13: / Строка 14: @@
 === Чему вы научитесь? ===
-Писать надежный и понятный код,
+* Формулировать постановку задачи
-Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта
+* Писать надежный и понятный код
+* Основам теории нейронных сетей на примере классической модели Перспетрона Розенблатта
 === Какие начальные требования? ===
-Программирование на C/C++ (в рамках прослушанного курса)
+* Программирование на C/C++/Python (в рамках прослушанного курса)
+* Желание разобираться в современных алгоритмах теории искуственных нейронных сетей
 === Какие будут использоваться технологии? ===
-git, github
+* C++ / Python в рамках прослушанного курса
-gtest
 === Темы вводных занятий ===
-- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)
+* Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Алгоритм обучения перспетрона Розенблатта)
-- Промышленная разработка (системы контроля версий, модульное тестирование, ревью кода, стайл-гайды, профилирование, IDE и текстовые редакторы).
 === Направления развития ===
-- Визуализация обучающей выборки, предварительная обработка данных
+* 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)
+* 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 ===
-"удв” : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) для двухмерного случая (входной вектор обучающей выборки X1 и X2);
+* 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
-“хор” : 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)
-“отл” : реализованная и протестированная модель персептрона Рознеблатта и алгоритм обучения (Дельта правило) как для двухмерного так и для n-мерного случая
- + Визуализация процесса обучения (Зависимость интегральной ошибки от номера итерации/эпохи) + работа с файлами (возможность интеграции import/export файлов обучающей выборки с Matlab NNtool)