ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ (Γεωργόπουλος-ΗΤ-ΠΛΗ31)

 
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο



ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ (Γεωργόπουλος-ΗΤ-ΠΛΗ31)

ΓΕΩΡΓΟΠΟΥΛΟΣ, ΕΥΣΤΡΑΤΙΟΣ

ΣΚΟΔΡΑΣ, ΑΘΑΝΑΣΙΟΣ

Οι βασικοί εκπαιδευτικοί στόχοι αυτού του υλικού είναι • Να αποτελέσει μια σύνοψη με τα βασικότερα θέματα που καλύπτονται στο δεύτερο τόμο του έντυπου εκπαιδευτικού υλικού της Θεματικής Ενότητας ΠΛΗ31, ώστε να σας βοηθήσει στη μελέτη σας, η οποία μπορεί είτε να γίνεται παράλληλα με το έντυπο υλικό είτε αφού έχετε πρώτα μελετήσει το έντυπο υλικό, και • Να συμπληρώσει το έντυπο υλικό με κάποια επιπλέον ύλη σε σημεία που καλύπτονται ιδιαίτερα σημαντικά θέματα (βασικές αρχιτεκτονικές και αλγόριθμοι), αλλά κυρίως με επιπλέον ασκήσεις και με θέματα που έχουν να κάνουν με την υλοποίηση των σημαντικότερων ειδών Τεχνητών Νευρωνικών Δικτύων σε προγραμματιστικό περιβάλλον (συγκεκριμένα χρησιμοποιείται η γλώσσα C, χωρίς φυσικά κάτι τέτοιο να είναι δεσμευτικό – θα μπορούσατε κάλλιστα να δουλέψετε και σε Java). Η μελέτη του υλικού αυτού και η ενασχόληση με τις ασκήσεις θα σας βοηθήσει να κατανοήσετε καλύτερα κάποια πολύ σημαντικά ζητήματα που καλύπτονται στο έντυπο εκπαιδευτικό υλικό σας.
Το παρόν ΕΔΥ αποτελεί μια εμπλουτισμένη σύνοψη του δεύτερου τόμου του έντυπου εκπαιδευτικού υλικού της Θ.Ε. ΠΛΗ31: «Τεχνητή Νοημοσύνη - Εφαρμογές» του προγράμματος σπουδών Πληροφορικής του Ε.Α.Π. Αποτελεί ουσιαστικά μια εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα που ακολουθεί γενικά τη δομή του έντυπου υλικού. Είναι εμπλουτισμένη με επιπλέον υλικό, με αρκετές ασκήσεις και δραστηριότητες, πολλές από τις οποίες είναι προγραμματιστικές, έτσι ώστε να βοηθά στην καλύτερη κατανόηση σημαντικών θεμάτων.

Artificial Neural Networks, Learning, The model of the artificial neuron, The Perceptron, The Perceptron learning algorithm, Multi Layered Perceptrons, Error Back Propagation Algorithm, The Kohonen network, Self Organized Feature Maps, Hopfield Networks, Solving TSP with Hopfield networks.
Τεχνητά Νευρωνικά Δίκτυα, Μάθηση, Το μοντέλο του τεχνητού νευρώνα Δίκτυο Perceptron Αλγόριθμός Perceptron, Πολύ Επίπεδα Perceptron Αλγόριθμος Error Back Propagation, Δίκτυα Kohonen, Αυτό-οργανωμένοι χάρτες χαρακτηριστικών, Δίκτυα Hopfield, Επίλυση του TSP με τη χρήση Hopfield.

Ελληνικό Ανοικτό Πανεπιστήμιο (EL)
Hellenic Open University (EN)

2008-12-15T11:48:58Z
2013-12-13T09:51:43Z


Στην αρχή κάθε κεφαλαίου αλλά και σε κάθε άσκηση αυτοαξιολόγησης και δραστηριότητα αναφέρεται μια εκτίμηση του χρόνου που θα χρειαστεί να διαθέσετε για την μελέτη του κεφαλαίου ή την απάντηση της άσκησης/δραστηριότητας. Ο χρόνος αυτός είναι ενδεικτικός και φυσικά ο χρόνος που πραγματικά θα χρειαστείτε εξαρτάται από εσάς και το προσωπικό στυλ μελέτης σας, τη διάθεση της στιγμής και άλλους πολλές φορές αστάθμητους παράγοντες. Το σημαντικό είναι να αφιερώνετε όσο ακριβώς χρόνος θεωρείτε εσείς ότι χρειάζεστε προκειμένου να κατανοήσετε το υλικό.



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.