การคำนวณเชิงนิวรอล
4(4-0-8)
เงื่อนไข : โดยความเห็นชอบของสาขาวิชา
การคำนวณเชิงนิวรอลเบื้องต้น เครือข่ายการส่ง เครือข่ายจัดการตัวเอง เครือข่ายแบบป้อนกลับ
เครือข่ายไปข้างหน้าเชิงกาลเวลา การประยุกต์ใช้งานการคำนวณเชิงนิวรอล
เค้าโครงรายวิชา
1. การคำนวณเชิงนิวรอลเบื้องต้น สถาปัตยกรรมของเครือข่าย แนวคิดการเรียนรู้ การแบ่งประเภทของเครือข่าย (2 ชั่วโมง)
2. แนวคิดของการคำนวณเชิงนิวรอล เครือข่ายฮอปฟิลด์ เครือข่าย adaline และ madaline (8 ชั่วโมง)
3. เครือข่ายการส่ง เครือข่ายหน่วยความจำสมทบ เครือข่ายแพร่กลับ เครือข่ายฟังก์ชันฐานรัศมี (8 ชั่วโมง)
4. เครือข่ายการจัดการตัวเอง แผนที่การจัดการตัวเองแบบโคโฮเนน การเรียนรู้เวกเตอร์แจงหน่วย เครือข่ายเรโซแนนซ์แบบปรับตัว (8 ชั่วโมง)
5. เครือข่ายแบบป้อนกลับ เครือข่ายไปข้างหน้าเชิงกาลเวลา หน่วยความจำ-สาระแบบฮอปฟิลด์ การอบอ่อนจำลอง เครื่องจักรโบลต์ซมันน์ เครือข่ายป้อนกลับแบบง่าย เครือข่ายแบบหน่วงเวลา (8 ชั่วโมง)
6. การประยุกต์ใช้การคำนวณเชิงนิวรอล (14 ชั่วโมง)
• ปัญหาค่าเหมาะที่สุด
• ปัญหาพีชคณิตเมทริกซ์
• ระเบียบวิธีเชิงสถิติ
• การระบุเอกลักษณ์ การควบคุมและประมาณค่า
• การประมวลผลสัญญาณ
• หัวข้อใหม่ทางด้านเครือข่ายประสาทเทียม
ผลสัมฤทธิ์การเรียนรู้
นักศึกษาที่ผ่านรายวิชานี้มีความสามารถ ดังนี้
1. มีความเข้าใจปัญหาเกี่ยวกับการคำนวณเชิงนิวรอลในงานวิศวกรรมไฟฟ้าได้
2. สามารถเข้าใจวิธีแก้ปัญหาและประยุกต์การแก้ปัญหาการคำนวณเชิงนิวรอลในงานวิศวกรรมไฟฟ้าได้
3. มีความเข้าใจและสามารถเขียนชุดคำสั่งคอมพิวเตอร์ในการแก้ปัญหาการคำนวณเชิงนิวรอลได้
Neural Computing
Condition : Consent of the School
Introduction to neurocomputing; concepts of neurocomputing; mapping networks; self-organizing networks; recurrent networks and temporal feedforward networks; applications of neurocomputing
Course Outline
1. Introduction to neurocomputing, network architectures, learning concepts, classification of neural networks (2 hours)
2. Neurocomputing concepts, Hopfield network, adaline and madaline, perceptron, feedforward multilayer perceptron, learning rules (8 hours)
3. Mapping networks, associative memory networks, backpropagation networks, radial basis function networks (8 hours)
4. Self-organizing networks, Kohonen self-organizing map, learning vector quantization, adaptive resonance theory networks (8 hours)
5. Recurrent networks and temporal feedforward networks, Hopfield associative memory, simulated annealing, Boltzmann machine, simple recurrent network, time-delay neural networks, distributed time-lagged feedforward networks (8 hours)
6. Applications of neurocomputing (14 hours)
• Optimization problems
• Matrix algebra problems
• Statistical methods
• Identification, control and estimation
• Signal processing
• Other recent topics on artificial neural networks
Learning Outcomes
Having successfully completed this course, students must be able to:
1. Understand problems concerning Neural Computing
2. Understand and apply appropriate method for solving problems related to Neural Computing