Loengute/seminaride kava

  • 07.02: Sissejuhatus. Neurovõrkude ajalugu ja motivatsioon. (Konstantin Tretjakov)
  • 14.02: Tehisneuron: Adaline, Pertseptron. (KT)
    • Slaidid: (pdf) (pdf, 4 slaidi/lk)
    • Lisamaterjal:
      • Konstantin Tretjakov. Gradient & Hessiaan. (pdf)
      • Konstantin Tretjakov. Kiirema languse meetod. (pdf)
      • Sven Laur. Ühe neuroniga võrk. (pdf)
      • Konstantin Tretjakov. Pertseptron. (pdf)
      • Andrew Ng. Supervised Learning, Discriminative Algorithms. (pdf)
  • 21.02: Mitmekihiline tajur. Backpropagation. (KT)
  • 28.02: Rekurrentsed mitmekihilised võrgud (Mark Fišel)
  • 08.03 10:15: Klassifitseerimisülesandest (Jüri Lember)
  • 15.03 10:15: Näited klassifitseerijatest
  • 22.03 10:15: Statistical learning teooria põhimõisted
    • Loengukonspekt: (pdf)
    • Lisamaterjal:
      • Raivo Kolde. Naabrireeglid klassifitseerimisel. (pdf) (1.5 MB)
      • Andrew Ng. Learning Theory. (pdf)
  • 28.03: Veahinnangutest (Sven Laur)
  • 04.04: Radial-Basis Functions (Ilja Livenson)
  • 11.04: Support-vector Machines (Jevgeni Kabanov)
  • 18.04: Stohhastilised meetodid (Jelena Zaitseva)
  • 25.04: Sõltumatute komponentide analüüs (ICA) (Raivo Kolde)
  • 02.05: Reinforcement learning (Jaak Simm, Sven-Erik Petermann)
  • 09.05: Self-organizing maps (Hando Tint)
  • 16.05: Time Series: How to Do Good Predictions (Amaury Lendasse)
  • 23.05: Test, OCR (Andres Luuk)
  • 30.05: Turu prognoosimine. (Mark Kantšukov), Kokkuvõte.
    • Turu prognoosimise slaidid: (ppt)
    • Kokkuvõte slaidid: (pdf)
Edit: header| contents| footer| sidebar