Wstęp do sieci neuronowych

Kursy programowania I oraz II, Algorytmy i struktury danych, znajomość przynajmniej jednego języka programowania i bibliotek do budowy GUI, podstawowa wiedza z Algebry liniowej

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

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

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

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

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

- pokaz
- symulacyjna (gier symulacyjnych)

- wykład informacyjny (konwencjonalny)

- laboratoryjna
- projektu
- referatu

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.

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 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

* zadania programistyczne (3 do 6 programów)

Nie dotyczy.