Wstęp do sieci neuronowych
Informacje ogólne
Kod przedmiotu: | 1000-I1WSN |
Kod Erasmus / ISCED: |
(brak danych)
/
(0613) Tworzenie i analiza oprogramowania i aplikacji
|
Nazwa przedmiotu: | Wstęp do sieci neuronowych |
Jednostka: | Wydział Matematyki i Informatyki |
Grupy: |
Inf., I st., stacjonarne, 3 rok, przedmioty do wyboru Inf., II st, stacjonarne, przedmioty do wyboru |
Punkty ECTS i inne: |
6.00
|
Język prowadzenia: | polski |
Wymagania wstępne: | Kursy programowania I oraz II, Algorytmy i struktury danych, znajomość przynajmniej jednego języka programowania i bibliotek do budowy GUI, podstawowa wiedza z Algebry liniowej |
Całkowity nakład pracy studenta: | Wykład 30h: egzamin ustny i pisemny Laboratoria 30h: zadania w trakcie laboratoriów, zalicznie: projekty programistyczne (około 6, minimum 3 na zaliczenie), możliwe referaty (nieobowiązkowe) Praca własna studenta: ok 80-120h: przygotowanie projektów |
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, forma bezpośrednia: prezentacja i dyskusja, wsparcie platformy moodle Laboratoria, forma bezpośrednia: zadania w trakcie zajęć i zadania / projekty programistyczne, referaty (nieobowiązkowe), wsparcie platformy moodle |
Metody dydaktyczne eksponujące: | - pokaz |
Metody dydaktyczne podające: | - wykład informacyjny (konwencjonalny) |
Metody dydaktyczne poszukujące: | - laboratoryjna |
Skrócony opis: |
Celem zajęć jest zapoznanie studentów z klasycznymi i współczesnymi koncepcjami zastosowania sztucznych sieci neuronowych w problematyce sztucznej inteligencji oraz uczeniu maszynowym. Przedmiot jest obowiązkowy dla studentów czwartego roku studiów informatyka inżynierska. Przedmiot może być traktowany jako przedmiot do wyboru dla studentów drugiego stopnia informatyki po studiach licencjackich. Zajęciom towarzyszą laboratoria o charakterze programistycznym. |
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), * Algorytm wstecznej propagacji błędu, * Walidacja jakości uczenia, * Paradygmaty uczenia nadzorowanego i nienadzorowanego, * Przegląd algorytmów samoorganizacji, - Mapy samoorganizacyjne Kohonena, - algorytm k-means (k średnich), * Analiza składowych głównych (PCA), * Sieci Rekurencyjne, konstrukcja autoasocjatora Hopfielda, * Maszyny Boltzmanna, symulowane wyżarzanie. |
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 * zadania programistyczne (3 do 6 programów) |
Praktyki zawodowe: |
Nie dotyczy. |
Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)
Okres: | 2021-10-01 - 2022-02-20 |
![]() |
Typ zajęć: |
Laboratorium, 30 godzin, 16 miejsc
Wykład, 30 godzin, 80 miejsc
|
|
Koordynatorzy: | Andrzej Rutkowski | |
Prowadzący grup: | Andrzej Rutkowski, Krzysztof Rykaczewski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Zajęcia w cyklu "Semestr letni 2022/23" (w trakcie)
Okres: | 2023-02-20 - 2023-09-30 |
![]() |
Typ zajęć: |
Laboratorium, 30 godzin, 16 miejsc
Wykład, 30 godzin, 80 miejsc
|
|
Koordynatorzy: | Krzysztof Rykaczewski | |
Prowadzący grup: | Andrzej Rutkowski, Krzysztof Rykaczewski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Zajęcia w cyklu "Semestr letni 2023/24" (jeszcze nie rozpoczęty)
Okres: | 2024-02-20 - 2024-09-30 |
![]() |
Typ zajęć: |
Laboratorium, 30 godzin, 16 miejsc
Wykład, 30 godzin, 32 miejsc
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Andrzej Rutkowski, Krzysztof Rykaczewski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.