Увод у неуронске мреже

Упознавање студената са основним теоријским концептима, архитектурама и правилима обучавања
неуронских мрежа, математичка и системска анализа њихових особина ради решавања практичних
проблема управљања у организационим наукама

Оспособљеност студената за моделовање и симулацију организационих система применомнеуронских
мрежа уз коришћење информационо-комуникационе технологије

Настава на предмету је конципирана као комбинација традиционалног и електронског учења. Предавањa,
лабораторијске вежбе, образовање на даљину, студије случаја, консултације, менторски рад

Теоријска настава
Основни појмови, начин функционисања и историјат вештачких неуронских мрежа. Типови неуронских
мрежа. Правила обучавања, активационе функције и тежински коефицијенти. Подешавање перформанси
мреже и оптимизација перформанси. Архитектура мреже. Перцептрон. Једнослојне линеарнемреже.
Припрема и прикупљање података. Припрема за тренинг. Обучавање неуронских мрежа и алгоритми учења.
Средња квадратна грешка. LMS алгоритам, конвергенција. Вишеслојне линеарне мреже. Алгоритам са
простирањем у назад (енг. Backpropagation). Избор архитектуре мреже. Побољшања брзине конвергенције.
Левенберг-Маркартов алгоритам. Тестирање мреже. Егзистенција мимимума и максимума. Њутонова
метода, конјуговани градијенти. Асоцијативно обучавање. Надгледано Хебово обучавање. Начини
имплементације неуронских мрежа. Рекурентне мрежа. Концепти стабилности. Хопфилдове мреже.
Недостаци и ограничења .
Практична настава: Лабораторијске вежбе
Решавање практичних проблема кроз програмску реализацију у софтверским пакетима Matlab, и
Neurosolutions.

1. S. Haykin, Neural Networks: A Comprehensive Foundation, MacMillan, 1994.
2. M.T. Hagan, H. B. Demuth, M. Beale, Neural Network Design, PWS Boston, 1999.
3. J. C. Principe, N. R. Euliano, W. Curt Lefebvre, Neural and Adaptive Systems: Fundamentalsthrough
   Simulations, Wiley, 2000.