Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Sieci neuronowe w modelowaniu i sterowaniu

Informacje ogólne

Kod przedmiotu: 0800-AR2SINEUMOD
Kod Erasmus / ISCED: (brak danych) / (0618) Interdyscyplinarne programy i kwalifikacje związane z technologiami informacyjno-komunikacyjnymi Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Sieci neuronowe w modelowaniu i sterowaniu
Jednostka: Wydział Fizyki, Astronomii i Informatyki Stosowanej
Grupy: Informatyka Stosowana s2. Przedmioty do wyboru specjalistyczne (wszystkie)
Strona przedmiotu: http://fizyka.umk.pl/~osokolov/SN/
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Wymagania wstępne:

Znajomość wybranych działów matematyki i teorii sterowania, metod optymalizacji, z pracy w środowisku MatLab i Simulink

Rodzaj przedmiotu:

przedmiot obowiązkowy

Całkowity nakład pracy studenta:

Godziny realizowane z udziałem nauczycieli ( 60 godz.):

- udział w wykładach - 15

- udział w laboratoriach – 45

Czas poświęcony na pracę indywidualną studenta ( 60 godz.):

- przygotowanie do wykładu-10

- przygotowanie do laboratoriów – 20

- przygotowanie do zaliczenia na ocenę z wykładu- 20

- przygotowanie do kolokwium - 10

Łącznie: 120 godz. ( 4 ECTS)


Efekty uczenia się - wiedza:

W01: Ma wiedzę w zakresie analizy matematycznej, metod numerycznych, symulacji komputerowych, niezbędnych do zastosowania sieci neuronowych – K_W01

W02: Opisuje działania układów dynamicznych za pomocą modeli, zawierających układy programowe w postaci sieci neuronowych – K_W01,K_W07

W03: Charakteryzuje aparat pojęciowy sieci neuronowych i oraz możliwości ich zastosowania w modelowaniu i projektowaniu algorytmów regulacji – K_W11


Efekty uczenia się - umiejętności:

U01: Wykorzystuje narzędzia programistyczne MatLab i Simulink, pozwalające na realizację projektów w zakresie tworzenia układów regulacji na podstawie sieci neuronowych –K_U03

U02: Analizuje złożoność algorytmów uczenia sieci neuronowej w zależności od typu modelu K_U06, K_U05


Efekty uczenia się - kompetencje społeczne:

K01: potrafi precyzyjnie formułować pytania działalności naukowej, zwłaszcza w rozbudowie i zastosowaniu układów z elementami sztucznej inteligencji, do których odnoszą się sieci neuronowe - K_K01

Metody dydaktyczne:

Metoda dydaktyczna podająca:

- wykład informacyjny (konwencjonalny)

Wykład, forma bezpośrednia: prezentacja i dyskusja

Metoda dydaktyczna poszukująca:

- laboratoryjna

Laboratoria, forma bezpośrednia: zadania w trakcie zajęć


Metody dydaktyczne podające:

- wykład konwersatoryjny

Metody dydaktyczne poszukujące:

- laboratoryjna

Skrócony opis:

Przedmiot omawia szereg zagadnień dotyczących różnych sposobów zastosowania sztucznych sieci neuronowych w problematyce sztucznej inteligencji oraz sterowaniu.

Prezentowane są także zagadnienia związane ze realizacją systemów neuronowych w środowisku MatLab/Simulink.

Pełny opis:

Sztuczne sieci neuronowe - wprowadzenie:

Neuron biologiczny:budowa neuronu,przewodzenie informacji.

Sztuczny neuron: neuron McCullocha-Pittsa, funkcje aktywacji, realizacja w MatLabie (NN ToolBox).

Sieć neuronowa: adaptacja w przyrodzie, uczenie sieci neuronowej.

Perceptron: struktura neuronu, algorytm uczenia perceptronu, ograniczenia.

Sieci wielowarstwowe: struktury, rodzaje warstw.

Uczenie sieci neuronowej: wsteczna propagacja błędu. Przykład: uczenie sieci dwuwarstwowej. Struktura i uczenie MLP. Zagadnienia nieliniowej separacji.

Klasy sieci neuronowych:

feed-forward (jednokierunkowe) - najczęściej stosowane;

sieci radialne (RBF) – uniwersalny aproksymator;

rekurencyjne - sprzężenia zwrotne;

sieci Kohonena - samo-organizujące się.

Projektowanie sieci, optymalizacja struktury SNN: metody wzrostu, redukcji,optymalizacji dyskretnej.

Rodzaje uczenia sieci: z nauczycielem i bez, uczenie z krytykiem.

Sieci radialne.Architektura RBF. Uczenie jako interpolacja wag.

Uczenie jako aproksymacja parametrów sieci. Uczenie nienadzorowane sieci RBF. Algorytm K-średnich. Uczenie nadzorowane sieci RBF.

Regula Hebba. Pamięć autoasocjacyjna. Binarna macierz korelacji BCM.

Binary Association Matrix (BAM). Algorytmy nauczania. Zastosowania - pamięć rozpoznawcza.

Sieci neuronowe w sterowaniu.

Literatura:

Literatura podstawowa:

1. Rutkowski L., Metody i techniki sztucznej inteligencji, PWN 2005.

2. Sieci neuronowe w zastosowaniach, pod redakcją Urszuli Markowskiej-Kaczmar, Haliny Kwaśnieckiej, Politechnika Wrocławska, 2005

3. Literatura uzupełniająca:

1. O. Sokolov, Prezentacje wykładu w postaci elektronicznej

2. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, 1993

Metody i kryteria oceniania:

Metody oceniania:

zaliczenie na ocenę - W01-W03,K01

kolokwium- U01,U02

Kryteria oceniania:

Wykład: zaliczenie na ocenę na podstawie testu (pytania otwarte)

ndst -30 pkt (30%)

dst- 50 pkt (50%)

dst plus- 75 pkt (75%)

db- 90 pkt (90%)

db plus- 95 pkt (95%)

bdb- 100 pkt (100%)

Laboratoria: zaliczenie na ocenę na podstawie wykonywania zadań w trakcie zajęć

ndst -30 pkt (30%)

dst- 50 pkt (50%)

dst plus- 75 pkt (75%)

db- 90 pkt (90%)

db plus- 95 pkt (95%)

bdb- 100 pkt (100%)

Praktyki zawodowe:

„nie dotyczy”

Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)

Okres: 2021-10-01 - 2022-02-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 45 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Oleksandr Sokolov
Prowadzący grup: Łukasz Niewiara, Oleksandr Sokolov
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)

Okres: 2022-10-01 - 2023-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 45 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Oleksandr Sokolov
Prowadzący grup: Łukasz Niewiara, Oleksandr Sokolov
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-02-19
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 45 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Oleksandr Sokolov
Prowadzący grup: Łukasz Niewiara, Oleksandr Sokolov
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)