Kursanalys för

2D1430 Artificiella neuronnät och neurofysiologi, 6 poäng

Genomförd

Läsperiod 3 och 4, 1998

Kursledare, övriga föreläsare och assistenter

Anders Lansner, kursledare, föreläsningar

 Andreas Bergström, laborationsassistent (lab 1 & 2)
Mikael Djurfeldt, laborationsassistent, en föreläsning
Roland Orre, laborationsassistent (lab 3-6)
Anders Sandberg, laborationsassistent, en föreläsning

Föreläsningar, övningar, laborationer

18x2 föreläsningstimmar, 6x4 laborationstimmar

Antal övningsgrupper

-

Antal registrerade elever

46 st, från F (ca 33%), D (ca 36%), E (ca 18%), övriga KTH (ca 6 %), SU (ca 7 %)

Kurslitteratur

H. Reichert: Introduction to neurobiology, Georg Thieme Verlag, 1992
S. Haykin: Neural networks - A comprehensive foundation, Macmillan College Publ, Co, NY, 1994.

Kursmoment

TEN1 (5 p), LAB1 (1 p)

Avklarat

Per 1998-12-10 har 31 elever klarat TEN1.
Per 1998-12-10 har 37 elever klarat LAB1.
Per 1998-12-10 har 28 elever klarat kursen (28/46).

Examinationsgrad per 1998-12-10 har 28 elever klarat hela kursen (61 %).

Mål

Kursen mål är att ge översikt och grundläggande kunskaper om neuronnät, såväl beräkningsmässiga som biologiska aspekter, samt om praktisk användning av olika metoder baserade på artificiella neuronnät (ANN). Avsikten är att eleverna ska få en förståelse för fördelar och begränsningar hos dagens ANN-baserade tekniker samt för deras tekniska potential.

Förändringar inför denna kursomgång

Den största förändringen denna kursomgång var byte av kursledare, från Hans Liljenström till undertecknad. Kursuppläggningen föjlde i föregående kursomgång med vissa detaljundantag, justeringar av läsanvisningar etc.

Dessutom gjordes en rejäl översyn, uppdatering och rätting av laborationslydelserna.

Sammanfattning

Sammanfattningvis en ganska rolig och givande kurs att ge och att läsa (att döma av enkätsvar). Den faller dock gärna sönder i två delar, den biologiska respektive den artificiella, trots ansatser att hålla ihop dessa. Det beror mycket på att kursböckerna är ganska renodlade neurofysiologi respektive ANN.

Kursmaterialet är stort och kursen blir mer av en ytlig genomgång av materialet än att eleverna verkligen får tränga in i det. I kursenkäten och även muntligen har man efterlyst mer av detaljkunskaper inom något område. Det kan ske i form av någon projektuppgift men några har också efterlyst en ANN, fk.

Undervisingen

Undervisningen består i huvudsak av föreläsningar. Det blir ganska lite om varje avsnitt. Som föreläsare upplever man ibland att det blir alltför ytligt vilket då och då gör att man går in på detaljer i algoritmerna, formler, etc. vilket inte uppskattas av så många.

Ett studiebesök genomfördes också på institutionen för Neurovetenskap på Karolinska institutet vilket var uppskattat.

Examination

Examinationen består av skriftlig tentamen och 6 st laborationer. Tentamen är i huvudsak av berättarkaraktär men med någon del där mera formella kunskaper testas. Det är rimligt med hänsyn till hur kursen ser ut.

Laborationerna är relativt väl tillrättalagda och kräver inte mer än ett par timmars förberedelse. De tycks dock ändå ge en god utdelning att döma av elevernas kommentarer. Man efterlyser dock något moment som är mera handgripligt, t ex att man själv får implementera någon ANN-algoritm, eller lösa något större problem med ANN.

Kurslitteratur

Neurofysiologiboken (Reichert) är mycket kompakt och full av terminologi, så den upplevs som ganska ovan och jobbig. Den är nog bra för sitt syfte dock.

ANN-boken (Haykin) är mycket omfattande, ingående och ordrik. Den har ibland närmast karaktären av uppslagsbok och är som sådan användbar. Dock saknas några viktiga delar (som därmed inte ingått i kursen), t ex "reinforcementinlärning".

Läsanvisningarna behöver göras mera precisa och mindre omfattande.

Elevenkät

Tyvärr bara baserad på 10 svar. Man borde naturligtvis ha delat ut ett formulär i samband med tentamen men det gjordes inte. Statistiken är därför ganska dålig. Av det lilla som kommit in framgår dock att kursen anses medelsvår till svår, att den är inressant och meningsfull, att föreläsningarna är alltför tråkiga men labbarna bra. Man efterlyste kopior av stenciler från föreläsningarna.

Dessutom hade jag under kursens gång samtal två gånger med elever från F och E.

Kursens belastning för eleverna

Inga klagomål på för stor belastning har inkommit. Enligt enkäten läser eleverna denna kurs parallellt med 2-4 andra och har ägnat i genomsnitt 15-30% av tiden till just denna kurs.

Förkunskaper

Enlig enkäten är angivna förkunskaper adekvata och eleverna har inte upplevt några problem där.

Verkligt kursinnehåll

Kursens innehåll följde i stort sett vad som planerats. Dock utgick två föreläsningar på ANN-delen pga sjukdom. Eftersom schemat redan var kompakt kunde dessa inte ersättas vilket gjorde att materialet fick trängas in på kortare tid än beräknat.

Grunderna om nervceller och biologiska neuronnät, sensorik och motorik. Modellering och simulering av verkliga neuronnät. De vanligaste ANN-arkitekturerna och inlärningsalgoritmerna. Metoder för oövervakad inlärning. Principer för representation i neuronnät. Maskinvaruarkitekturer för neurala beräkningar (neurochips och neurodatorer). Exempel på tekniska tillämpningar av ANN inom områden som mönsterigenkänning, kombinatorisk optimering, diagnos och robotik.

Planerade förändringar

Tydligare börja med hjärnan i stort, sen cellulär nivå. ANN-tillämpningar i översikt tidigt, sen efterhand insprängda i respektive delavsnitt. Reinforcementinlärning (RL) bör tillföras, liksom tillämpning av ANN på styrning och robotik. Man kan minska delarna om "icke-använda" algoritmer och istället fokusera mera på MLP/BP, RBF och, som sagt, RL. Detta för att få tid att gå lite mer på djupet på viktiga delar. Läsanvisningarna bör göras mer fokuserade. Antalet föreläsare på kursen bör utökas något.

Diskussion och publicering

En länk till resultatet av kursenkäten har lagts in på kursens aktuelltsida på WWW.