Introduction to neural networks

Celem zajęć jest zapoznanie studentów z klasycznymi i współczesnymi koncepcjami zastosowania sztucznych sieci neuronowych w problematyce sztucznej inteligencji oraz uczeniu maszynowym.

Celem zajęć jest zapoznanie studentów z klasycznymi i współczesnymi koncepcjami zastosowania sztucznych sieci neuronowych w problematyce sztucznej inteligencji oraz uczeniu maszynowym.

Program wykładu:

* Biologiczny model komórki neuronowej,

* Model i algorytmy uczenia perceptronu prostego,

* Inne modele pojedynczego neuronu:

- maszyna liniowa,

- jednostka AdaLiNe (Adaptive Linear Neuron),

- warstwa radialnych funkcji bazowych (RBF),

* Przegląd algorytmów konstrukcyjnych dla sieci skierowanych,

- algorytm wieżowy,

- algorytm piramidalny,

- algorytm kafelkowy,

- algorytm up-start,

* Algorytm wstecznej propagacji błędu,

* Walidacja jakości uczenia,

* Paradygmaty uczenia nadzorowanego i nienadzorowanego,

* Przegląd algorytmów samoorganizacji,

- Mapy samoorganizacyjne Kohonena,

- algorytm k-means (k średnich),

- ART2

* Analiza składowych głównych (PCA),

* Sieci Rekurencyjne, konstrukcja autoasocjatora Hopfielda,

* Maszyny Boltzmanna, symulowane wyżarzanie,

* Zespolone sieci neuronowe,

Literatura podstawowa:

[1] R. Rojas Neural Networks, A Systematic Introduction, Springer 1996,

[2] P. Peretto, Introduction to Modelling Neural Networks, Cambridge University Press 1994,

Literatura uzupełniająca:

[1] C. Bishop, Neural Networks for Pattern Recognition, Oxford University Press 1995.

[2] J. Mańdziuk, Sieci Neuronowe Typu Hopfielda. Teoria i Przykłady Zastosowań, Akademica Oficyna Wydawnicza EXIT, Warszawa 2000.

[3] E. Izhikevich, Dynamical Systems in Neuroscience, The MIT Press, Cambridge, Massachusetts, London, England, 2007,

Wykład

* egzamin ustny i pisemny

Laboratoria

* zaliczenie na ocenę

* kolokwium

* zadania programistyczne (3 do 6 programów)

Nie przewiduje się.