Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Wstęp do sieci neuronowych

Informacje ogólne

Kod przedmiotu: 1000-AD-WdSNeur
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Wstęp do sieci neuronowych
Jednostka: Wydział Matematyki i Informatyki
Grupy: Analiza danych-przedmiot do wyboru
Punkty ECTS i inne: 6.00 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:

kursy programowania I oraz II, Algorytmy i struktury danych, podstawowa wiedza z algebry liniowej oraz analizy matematycznej

Całkowity nakład pracy studenta:

30 godzin -- wykład;


30 godzin -- laboratoria;


100 godz. -- praca własna -- bieżące przygotowanie do zajęć, studiowanie literatury, przygotowanie do egzaminu, projekty.

Efekty uczenia się - wiedza:

W wyniku przeprowadzonych zajęć student powinien być w stanie:


* pobieżnie scharakteryzować biologiczne motywacje stojące za sztucznymi sieciami neuronowymi, INZ_W02


* sformułować podstawowe modele neuronów i sieci neuronowych, ich dynamikę, algorytmy uczenia nadzorowanego i nienadzorowanego, zastosowania, INZ1_W04


* wytłumaczyć mechanizmy, działania, limity i ograniczenia ANN w terminach geometrycznych, INZ_W01

Efekty uczenia się - umiejętności:

W wyniku przeprowadzonych zajęć student powinien umieć:


* dobrać do problemu, zaimplementować i przeanalizować właściwy model sieci neuronowej wraz z algorytmami uczenia, INZ1_U01, INZ1_U07


* dobrać lub zaprojektować adekwatny sposób prezentacji wyników programu (graf, tabela, wykres, itp.), INZ1_U15

Efekty uczenia się - kompetencje społeczne:

W wyniku przeprowadzonych zajęć student nabędzie następujące postawy:


* postrzeganie relacji pomiędzy narzędziami matematycznymi a modelami stosowanymi w informatyce, INZ_K03


* kreatywność w implementowaniu i konstruowaniu rozwiązań, INZ_K02


* skuteczność prezentowania numerycznych i abstrakcyjnych wyników, INZ_K05


* świadomość wad i zalet numerycznych metod rozwiązywania problemów obliczeniowych, INZ_K03

Metody dydaktyczne:

Wykład, dyskusja podczas wykładów, ćwiczenia i laboratorium programowania

Metody dydaktyczne podające:

- opis
- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące:

- ćwiczeniowa
- laboratoryjna
- projektu
- referatu

Skrócony opis:

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

Pełny opis:

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:

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,

Metody i kryteria oceniania:

Wykład

* egzamin ustny i pisemny

Laboratoria

* zaliczenie na ocenę

* kolokwium

* zadania programistyczne (3 do 6 programów)

Praktyki zawodowe:

Nie przewiduje się.

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

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 30 miejsc więcej informacji
Koordynatorzy: Mateusz Maciejewski
Prowadzący grup: Mateusz Maciejewski, Krzysztof Rykaczewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 30 miejsc więcej informacji
Koordynatorzy: Mateusz Maciejewski
Prowadzący grup: Mateusz Maciejewski, Krzysztof Rykaczewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres: 2025-02-24 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 30 miejsc więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Mateusz Maciejewski, Krzysztof Rykaczewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
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 mapa serwisu USOSweb 7.0.3.0-2 (2024-04-26)