課程大綱

課程資訊

課程名稱

類神經網路
Neural Networks

開課學期

111-1

授課對象

電機資訊學院資訊工程學研究所

授課教師

劉長遠

課號

CSIE5052

課程識別碼

922 U1180

班次

學分

3.0

全/半年

半年

必/選修

選修

上課時間

星期三7,8,9(14:20~17:20)

上課地點

資310

備註

限學士班三年級以上
總人數上限：30人

課程簡介影片

核心能力關聯

核心能力與課程規劃關聯圖

課程大綱

為確保您我的權利,請尊重智慧財產權及不得非法影印

課程概述

Neural Networks
Syllabus:
Foundation
Perceptron
Multi-Layer Perceptron (MLP) plus tiling algorithm
Hopfield model
Elman Network
Self-Organizing Map (SOM)
Reinforcement learning (RL)

Lecture notes on Neural Networks, Cheng-Yuan Liou
see Class Websites:
https://www.csie.ntu.edu.tw/~cyliou/red/NN/Classinfo/classinfo.html

課程目標

classification, recognition, learning

註: 要加選同學請自行上網加選

助教 f07922039 陳耘志 f07922039@ntu.edu.tw

課程要求

Basic Calculus
作業一第二部分(II), 與 project 任一題作完整學期成績 A-
兩題都作完整學期成績 A

Skip: 作業一第ㄧ部分(I)
tiling algorithm
code + ppt in
https://www.csie.ntu.edu.tw/~cyliou/red/NN/Demo/demo.html
paper in
https://pdfs.semanticscholar.org/a8c9/c463b17a63380f3dd0d62e034d9c76411de2.pd做出 paper 內的 Table 1數據

作業一第二部分 (II)
Uni-perceptron (augmented bi-perceptron)

Data set MNIST 數量{ pn , n=1 ~ 60000=N} , 多少屬性 D=28 X 28 pixels (B/W)
https://scidm.nchc.org.tw/dataset/mnist 手寫字
J=10 classes {C0, C1, C2, .., Cj, … , CJ=9}

步驟一
為每一個 pattern, pn ∈ Cj , 找出屬於他的兩個集合 { pn1} 和 { pn 2}. { pn1} 含 784 個與pn 最近的patterns, pm ,但不屬於 pn的Class Cj,
{ pn1}={pm , m=1~784 | pm ∈ Cj }.
做一個 hyperplane (784 dimensions)通過這 784個最近的 patterns, { pn1} . hyperplane 在 pn 的那一邊設定為為正號.

步驟二
{ pn 2} 含所有為正號的 patterns 且屬於Cj (與 pn在此hyperplane
同一邊). 正號的 patterns 數量為 |{ pn 2}| .
因此一共有 60000 個 { pn1} 和 60000 { pn 2}.

步驟三
找出{ pn 2}內與此hyperplane最近的一個 pattern, pu ∈ { pn 2} 將此hyperplane 平移到距此 pu一半的距離, 自pu作法線垂直於此 hyperplane.

步驟四
對任一class Cj 選 max{|{ pn 2}|; pn ∈ Cj }值為最大的集合 { pn 2}1 定出其平移後的hyperplane 為第一個得出的perceptron 的weights.
之後將集合 { pn 2} 內的patterns 從class Cj中剔除從剩餘的集合內找出最大的集合, max{|{ pn 2}|; pn ∈ Cj and pn ∈ { pn 2}1}, { pn 2}2 定出其平移後的hyperplane 為第二個得出的perceptron 的weights. 注意 { pn 2}1∩{ pn 2}2 =.O
依此類推找出最少數量的幾個perceptron or neurons
{{ pn 2}1 , { pn 2}2 ,{ pn 2}3 ,…; { pn 2}a∩{ pn 2}b =.O for a≠b} 含所有Cj 內的 patterns , 這幾個 { pn2}a 之一與其對應的 hyperplane or perceptron 會對任一Cj 內的pattern 輸出為正號但對其他classes 的所有patterns輸出為負號 . (選最大集合及消去法類似於 Chapter 3 內 bi-perceptron 最少量幾個寬帶狀 strips )

Skip: 作業二 reinforcement learning
code + 說明在
https://www.csie.ntu.edu.tw/~cyliou/red/NN/Homework/2012/hw3.pdf
https://www.csie.ntu.edu.tw/~cyliou/red/NN/Homework/2012/hw3.pdf

Skip: 作業三 Chapter 5 SIR-kernel
做出 Figures 5,6,7 in Chapter 5
做出 page 20 in ppt of SIR-kernel
https://www.csie.ntu.edu.tw/~cyliou/red/publications/ICONIP2008/ICONIP2008_87_ppt.pdf

https://www.csie.ntu.edu.tw/~cyliou/red/NN/Homework/2012/hw2.pdf
code in
https://www.csie.ntu.edu.tw/~cyliou/red/NN/Classinfo/classinfo.html

**** Project Chapter 6 ‘ETAM’ Eq.(7---12)

Project Chapter 6 ‘ETAM’ Eq.(7---12)
Code in https://www.csie.ntu.edu.tw/~cyliou/red/demo/hairy/index.html
'et-AM' ! 'C code' + 'M file'

Data set MNIST 數量P=60000 , 多少屬性 N=28 X 28 pixels (B/W)
Training dataset=55000 ; Testing dataset=5000.

Part I
https://scidm.nchc.org.tw/dataset/mnist 手寫字
Window size = 5 X 5 pixels (convolution)
Total neurons = 28 X 28=784 in square grid points
Total weights
=784 X 5 X 5 (including 4 edges and 4 corners) + 784 thresholds
Note: delete all weights outside the window for each neuron
Note that wij ≠ wji and wii≠0

Part II
Augument one standard digit for each handwritten digit in the dataset, see the 10 digits with 96 pixels (8X12) in Chapter 6.
Total neurons for the layer = 784 + 96
Total weights = 784 X 25 + 784 (thresholds) + 784 X 96 + 96X96+
96 (thresholds)
Then apply the algorithm in ETAM’ Eq.(7---12) training the neural network.
Any testing data will be associated with an unknown pattern, 96 pixels,
that has assigned with 96 ‘0’ as input..
Note that wij ≠ wji and wii≠0
** CNN hard for rotation and scale invariance.
Solved by vastly enlarging the dataset with different
rotations and/scales of patterns
** 4 X 2 replications of the saved dataset 圍棋 in training

預期每週課後學習時數

5 hours

Office Hours

另約時間備註：預約

指定閱讀

Lecture Notes

參考書目

https://www.csie.ntu.edu.tw/~cyliou/red/NN/Classinfo/classinfo.html

評量方式
(僅供參考)

No.	項目	百分比	說明
1.	ㄧ個作業 + project + 出席 + 測驗	100%	作業 project 出席

針對學生困難提供學生調整方式

上課形式	以錄音輔助, 以錄影輔助
作業繳交方式	書面報告取代口頭報告, 個人報告取代團體報告
考試形式	考試取代書面(口頭)報告
其他

課程進度

週次	日期	單元主題
第1週	九月七日	遠距 Foundation Chapter 1 Perceptron
第2週	九月十四日	上課影片 Neural Networks [1] Chapter 1 Neural Networks [2] Bi-perceptron Neural Networks [3] Uni-perceptron MLP Uni-perceptron Bi-perceptron Tiling algorithm Chapter 4 + Chapter 3
第3週	九月二十一日	遠距 Chapter 6 RL
第4週	九月二十八日	遠距 RL paper Neuronlike adaptive elements that can solve difficult learning control problems https://ieeexplore.ieee.org/document/6313077 video MIT 6.S191 Lecture 6 https://www.youtube.com/watch?v=xWe58WGWmlk Deep learning Hinton's video
第5週		遠距 RL Deep learning Hinton's video Hinton's Deep learning https://www.youtube.com/watch?v=AyzOUbkUf3M&t=637s CNN https://www.youtube.com/watch?v=WUZhLzaD3b8 http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf neocognitron https://www.youtube.com/watch?v=Qil4kmvm2Sw https://www.rctn.org/bruno/public/papers/Fukushima1980.pdf
第6週		遠距 on language NetTalk + BP https://papers.cnl.salk.edu/PDFs/NETtalk_%20A%20Parallel%20Network%20That%20Learns%20to%20Read%20Aloud%201988-3562.pdf Sejnowski's video talk in MIT
第7週		遠距 on language Elman network paper in https://www.csie.ntu.edu.tw/~cyliou/red/Publications.htm J.35. Cheng-Yuan Liou, Chen-Wei Cheng, Jiun-Wei Liou, and Daw-Ran Liou, Autoencoder for Words, Neurocomputing, vol. 139, pages 84-96, 2014. J.4. Wei-Chen Cheng, Jau-Chi Huanga, Cheng-Yuan Liou (2011), Segmentation of DNA using Simple Recurrent Neural Network, Knowledge-Based Systems
第8週		遠距交作業一 SOM The self-organizing map by T. Kohonen https://sci2s.ugr.es/keel/pdf/algorithm/articulo/1990-Kohonen-PIEEE.pdf 助教 email 給各位的四篇 papers
第9週		遠距 more on SOM STD FTF Chapter 5 SIR-kernel SIR-som
第10週		遠距 more on SOM principle, STD, EEG, economic state map, poverty map, conformal map. Chapter 5 SIR-kernel SIR-som
第11週		Chapter 5 more on 'optimal spaced encoding" , SIR-kernel and SIR-som plus Uni-perceptron: setting front hidden layer in Chapter 4 by SIR-kernel page 11 for grey images with 100% perfect classification
第12週		遠距交 Project Hopfield model https://www2.cs.sfu.ca/CourseCentral/414/li/material/refs/Lippmann-ASSP-87.pdf http://www.bcp.psych.ualberta.ca/~mike/Pearl_Street/PSYCO452/pdfstuff/Supplements/Tank1.pdf Hinton's Boltzmann machine
第13週		遠距 RBM dropout technique CNN Komogorov theorem (BP)
第14週		遠距 capsule network
第15週		遠距 capsule network 先觀看兩個NMF影片 https://www.youtube.com/watch?v=o4pPTwsd-5M https://www.youtube.com/watch?v=UQGEB3Q5-fQ 10701: Non-Negative Matrix Factorization 推薦閱讀 On the Computational Complexity of Deep Learning http://lear.inrialpes.fr/workshop/osl2015/slides/osl2015_shalev_shwartz.pdf V-C dimension https://en.wikipedia.org/wiki/Vapnik%E2%80%93Chervonenkis_dimension https://www.youtube.com/watch?v=puDzy2XmR5c 推薦閱讀 SVM by Prof. Patrick H. Winston https://www.youtube.com/watch?v=_PwhiWxHK8o&t=13s
第16週		測驗題目在這裡測驗 + 交 Project + 交作業一複習第十周 SOM STD FTF Economic state map CNN LLE Isomap CSM
第17週		No class