바로가기
메뉴 바로가기
검색 바로가기
본문 바로가기(skip to content)
KOCW정보 바로가기
로그인
로그인
ID
PW
ID/PW 찾기
RISS 통합ID가 없으세요?
내강의실
서비스
도움말
도움말
고객센터
저작권가이드
OPEN API
대학
담당자
기관로그인
공시실적조회
대학의 원격강좌 현황 조사
강의등록
주메뉴
강의분류
대학강의
기관강의
전공분야
테마강의
공지사항
공지사항
뉴스레터
주요통계현황
서비스도움말
고객센터
통합검색
상세검색
상세검색
전체
강의명
교수자
제공기관
AND
OR
NOT
전체
강의명
교수자
제공기관
AND
OR
NOT
전체
강의명
교수자
제공기관
국내외 구분
전체
언어유형
전체
한국어
영어
강의연도
CCL유형
전체
저작자표시
저작자표시-비영리
저작자표시-변경금지
저작자표시-동일조건변경허락
저작자표시-비영리-변경금지
저작자표시-비영리-동일조건변경허락
추천 강좌는 강좌 검색 결과와
다를 수 있습니다.
신경망 입문
고려대학교
대니얼 컬스튼
페이스북
트위터
카카오톡
네이버밴드
링크복사
주제분류
공학 >컴퓨터ㆍ통신 >정보통신공학
강의학기
2012년 2학기
조회수
6,186
신경과학과 인지과학에서의 대규모 평행 분산 처리 모델을 소개함. 선형 모델, 통계적 패턴 이론, 헤비안 규칙, 자기 조직화, 비선형 모델, 정보 최적화, 신경 정보의 표현 방법 등을 내용으로 함. 또한 이들 모델을 감각 정보 처리, 인지, 학습, 기억 등에 응용함.
수강안내 및 수강신청
※ 수강확인증 발급을 위해서는 수강신청이 필요합니다
Introduction of the course
0.25
0.5
0.75
1.0
1.25
1.5
1.75
2.0
시작
종료
제목
설명
저장
취소
차시별 강의
1.
Introduction of the course
The Neurons
2.
Neural Models
Generic neuron model
3.
Lateral inhibition
Matrices
4.
Linear systems, learning & Memory
Linear Associator
5.
Non-linear networks, Perception
Regression, Widrow-Hoff, backprop
6.
Hopfield networks
Probability and neural networks
7.
Belief Propagation: regression revisited Application to perceptual surface completion
Utility & probabilty: Bayes decision theory
8.
EM
Example of large-scale neural architecture. Overview of visual system
9.
Neural coding & representation of visual information (pdf file--second half of last lecture presentation)
Efficient coding, Self-organization, Principal Components Analysis
10.
Feedforward models in vision: edges
Feedforward models in vision: material, texture & lightness
11.
Feedforward models in vision: motion
Integration of visual information
12.
Short presentations of final project plans
Visual Recognition
13.
Recognition, top-down, feedback models
Recognition, top-down, feedback model continued
연관 자료
사용자 의견
강의 평가를 위해서는
로그인
해주세요.
0
/200
더보기
이용방법
비디오 강의 이용시 필요한 프로그램
[바로가기]
※ 강의별로 교수님의 사정에 따라 전체 차시 중 일부 차시만 공개되는 경우가 있으니 양해 부탁드립니다.
이용조건
귀하는 원저작자를 표시하여야 합니다.
귀하는 이 저작물을 영리 목적으로 이용할 수 없습니다.
수강확인증 검증
수강확인증 상단의
수강확인번호
를 입력하세요.