Sieci neuronowe
Informacje ogólne
Kod przedmiotu: | 1000-ZiSN |
Kod Erasmus / ISCED: |
(brak danych)
/
(0619) Komputeryzacja (inne)
|
Nazwa przedmiotu: | Sieci neuronowe |
Jednostka: | Wydział Matematyki i Informatyki |
Grupy: | |
Punkty ECTS i inne: |
4.00
|
Język prowadzenia: | polski |
Wymagania wstępne: | Zaliczenie kursów: Programowanie 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: | 20 godzin – wykład 20 godzin – laboratorium 60 godzin - praca własna (przygotowywanie się do zajęć i powtarzanie materiału, czytanie literatury, przygotowanie programów zaliczeniowych, zapoznanie się z materiałami dydaktycznymi umieszczonymi na platformie e-learningowej) 20 godzin – przygotowanie się do egzaminu RAZEM: 120 godzin 4 punkty ECTS |
Efekty uczenia się - wiedza: | Po ukończeniu kursu student osiąga następujące efekty (kody odnoszą się do efektów dla studiów 1 stopnia na kierunku informatyka - studia inżynierskie): W1: formułuje podstawowe modele neuronów i sieci neuronowych, ich dynamikę, algorytmy uczenia nadzorowanego i nienadzorowanego oraz ich zastosowania, K_W04 W2: jest w stanie wytłumaczyć mechanizmy, działania, limity i ograniczenia sieci neuronowych w terminach geometrycznych, K_W01 |
Efekty uczenia się - umiejętności: | Po ukończeniu kursu student osiąga następujące efekty (kody odnoszą się do efektów dla studiów 1 stopnia na kierunku informatyka - studia inżynierskie): U1: potrafi dobrać do problemu, zaimplementować i przeanalizować właściwy model sieci neuronowej wraz z algorytmami uczenia, K_U01, K_U07 U2: potrafi dobrać lub zaprojektować adekwatny sposób prezentacji 2 wyników programu (graf, tabela, wykres, itp.), K_U15 |
Efekty uczenia się - kompetencje społeczne: | Po ukończeniu kursu student osiąga następujące efekty (kody odnoszą się do efektów dla studiów 1 stopnia na kierunku informatyka - studia inżynierskie): K1: postrzega relacje pomiędzy narzędziami matematycznymi a modelami stosowanymi w informatyce, K_K03 K2: prezentuje kreatywność w implementowaniu i konstruowaniu rozwiązań, K_K02 K3: potrafi skutecznie prezentować rezultaty postaci numerycznej i symbolicznej, K_K05 K4: ma świadomość wad i zalet numerycznych metod rozwiązywania problemów obliczeniowych, K_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 |
Skrócony opis: |
Celem zajęć jest zapoznanie studentów z klasycznymi i współczesnymi koncepcjami zastosowania sztucznych sieci neuronowych w problematyce sztucznej inteligencji oraz uczeniu maszynowym. 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, Warstwa radialnych funkcji bazowych (RBF), Jednostka ADALINE (Adaptive Linear Neuron), Algorytm wstecznej propagacji błędu, Walidacja jakości uczenia, Paradygmaty uczenia nadzorowanego i nienadzorowanego, Przegląd algorytmów samoorganizacji: ◦ mapy samoorganizacyjne Kohonena (SOM), ◦ algorytm k-means (k-średnich), Reguła Oji, Analiza składowych głównych (PCA), Sieci Rekurencyjne, konstrukcja autoasocjatora Hopfielda, Splotowe sieci neuronowe Przegląd technologii i narzędzi programistycznych Program laboratoriów: Wczytywanie oraz wizualizacja danych i wyników obliczeń Algorytmy uczenia perceptronu Algorytm uczenia jednostki ADALINE Algorytm wstecznej propagacji błędu, wyprowadzenie algorytmu, szczegóły implementacyjne, Sieci splotowe Narzędzia programistyczne i biblioteki do uczenia maszynowego Uczenie nienadzorowane: PCA i reguła Oji Algorytmy: Kohonena i k-means Autoasocjator Hopfielda Sieci Rekurencyjne Przegląd i użycie gotowych realizacji sieci neuronowych Prezentacje projektów zaliczeniowych |
Literatura: |
- R. Rojas Neural Networks, A Systematic Introduction, Springer 1996, - Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning (on-line), - P. Peretto, Introduction to Modeling Neural Networks, Cambridge University Press 1994, - S. I. Gallant Neural Network Learning and Expert Systems, The MIT Press, 1993, - L. Rutkowski, Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN 2005 |
Metody i kryteria oceniania: |
Wykład: • Egzamin pisemny – W1, W2, W3, K1, K4 Laboratoria: • Referat (nieobowiązkowy) – K1, K3 • Kolokwium – U1, K3 • Zadania programistyczne (6 rozwiązań, min. 3 potrzebne do zaliczenia) – W2, U1, U2, K2, K3, K4 |
Praktyki zawodowe: |
- |
Zajęcia w cyklu "Rok akademicki 2020/21" (zakończony)
Okres: | 2020-10-01 - 2021-09-30 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 20 godzin, 20 miejsc
Wykład, 20 godzin, 60 miejsc
|
|
Koordynatorzy: | Andrzej Rutkowski | |
Prowadzący grup: | Andrzej Rutkowski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)
Okres: | 2021-10-01 - 2022-02-20 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 20 godzin, 25 miejsc
Wykład, 20 godzin, 60 miejsc
|
|
Koordynatorzy: | Andrzej Rutkowski | |
Prowadzący grup: | Andrzej Rutkowski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Zajęcia w cyklu "Semestr zimowy 2022/23" (zakończony)
Okres: | 2022-10-01 - 2023-02-19 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 20 godzin, 20 miejsc
Wykład, 20 godzin, 60 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 zimowy 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-02-19 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 20 godzin, 22 miejsc
Wykład, 20 godzin, 60 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 zimowy 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2024-10-01 - 2025-02-16 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 20 godzin, 22 miejsc
Wykład, 20 godzin, 60 miejsc
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Laboratorium - Zaliczenie na ocenę Wykład - Egzamin |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.