Tantárgy adatlapja
Tárgy neve: Celluláris hullámszámítógépek
Tárgy kódja: P-ITEEA-0003
Óraszám: N: 2/2/0, L: 0/0/0
Kreditérték: 5
Az oktatás nyelve: magyar
Követelmény típus: Kollokvium
Felelős kar: ITK
Felelős szervezeti egység: Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar
Tárgyfelelős oktató:
Dr. Horváth András
Tárgyleírás:
| Tantárgy neve: | Celluláris hullámszámítógépek P-ITEEA-0003 |
|---|---|
| Tárgyfelelős: | Horváth András |
| Tantárgy oktatója: | Horváth András |
| A tantárgy céljának rövid ismertetése: | A tárgy célja a celluláris automaták és celluláris neurális hálózatok (CNN) elméleti alapjainak és számítási modelljeinek bemutatása, valamint ezek alkalmazása képfeldolgozási, mintafelismerési és általános számítási feladatokra. A hallgatók megismerik a diszkrét és analóg térben működő lokális szabályokon alapuló rendszerek dinamikáját, stabilitását és taníthatóságát, továbbá betekintést kapnak modern neurális architektúrák és támadási módszerek világába. |
| Elsajátítandó elméleti ismeretanyag: | A kurzus során a hallgatók megismerik: a celluláris automaták alapfogalmait, osztályozását és számítási képességeit (pl. Turing-teljesség) a celluláris neurális hálózatok (CNN) dinamikáját és állapotevolúcióját template-alapú tervezési módszereket stabilitási kritériumokat és analízist gradiens alapú tanítási módszereket celluláris architektúrákban többrétegű és többcsatornás CNN modelleket neurális architektúra keresési módszereket (NAS) Neurális hálzóatok robusztusságát: adversarial támadások elméleti alapjait. |
| Elsajátítandó gyakorlati ismeretanyag: | Celluláris automaták szimulációjára és elemzésére, CNN-modellek implementálására és paraméterezésére, template-ek tervezésére konkrét feladatokra (pl. képfeldolgozás), stabilitási vizsgálatok elvégzésére numerikus eszközökkel, neurális hálózatok tanítására (pl. Pytorch/Colab környezetben), többrétegű rendszerek implementálására, neurális architektúrák optimalizálására, egyszerű adversarial példák generálására és elemzésére. |
| A 2-4 legfontosabb kötelező irodalom felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN): | L. O. Chua és L. Yang, „Cellular neural networks: Theory,” IEEE Trans. Circuits Syst., vol. 35, 1988. S. Wolfram, A New Kind of Science. Champaign, IL, USA: Wolfram Media, 2002. ISBN: 978-1-579-55008-0. J. von Neumann, Theory of Self-Reproducing Automata. Urbana, IL, USA: University of Illinois Press, 1966. ISBN: 978-0-252-72481-7. |
| A 2-4 legfontosabb ajánlott felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN): | I. Goodfellow, Y. Bengio és A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016. ISBN: 978-0-262-03561-3. M. Mitchell, Complexity: A Guided Tour. Oxford, UK: Oxford University Press, 2009. ISBN: 978-0-19-979810-0. A. Ilachinski, Cellular Automata: A Discrete Universe. Singapore: World Scientific, 2001. ISBN: 978-981-02-4927-4. |
| Elmélet-gyakorlat aránya: | Elméleti óra óraszáma: 2 Gyakorlati óra és labor óra óraszáma: 2 + 0 |
| Az alkalmazott oktatási módszerek: | Előadások (elméleti alapok bemutatása), számítógépes gyakorlatok (Colab notebookok használata), önálló feladatmegoldás, heti online tesztek, demonstrációk és esettanulmányok, valamint kódalapú modellezés és szimuláció. |
| Az értékelés módja: | Kollokvium |
| Az értékelés kritériuma: | Az értékelés a félév során szerzett pontok és a kollokvium eredménye alapján történik. A félévközi teljesítménybe beszámítanak: heti tesztek eredményei, gyakorlati feladatok és notebookok megoldása, esetleges zárthelyi dolgozat(ok). A kollokvium során a hallgatók számot adnak az elméleti ismeretekről és azok gyakorlati alkalmazásáról. |
| Miként járul hozzá a tantárgy a KKK-ban megjelölt kompetenciaelemek megszerzéséhez: | Mérnökinformatikus alapképzés: Molekuláris bionika mérnöki alapképzés: |
