Sieci neuronowe

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

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

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

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

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

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

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.

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

- 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

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

-