Sieci neuronowe w modelowaniu i sterowaniu 0800-AR2SINEUMOD

http://fizyka.umk.pl/~osokolov/SN/

Sztuczne sieci neuronowe - wprowadzenie:

Neuron biologiczny:budowa neuronu,przewodzenie informacji.

Sztuczny neuron: neuron McCullocha-Pittsa, funkcje aktywacji, realizacja w MatLabie (NN ToolBox).

Sieć neuronowa: adaptacja w przyrodzie, uczenie sieci neuronowej.

Perceptron: struktura neuronu, algorytm uczenia perceptronu, ograniczenia.

Sieci wielowarstwowe: struktury, rodzaje warstw.

Uczenie sieci neuronowej: wsteczna propagacja błędu. Przykład: uczenie sieci dwuwarstwowej. Struktura i uczenie MLP. Zagadnienia nieliniowej separacji.
Klasy sieci neuronowych:
feed-forward (jednokierunkowe) - najczęściej stosowane;
sieci radialne (RBF) – uniwersalny aproksymator;
rekurencyjne - sprzężenia zwrotne;
sieci Kohonena - samo-organizujące się.
Projektowanie sieci, optymalizacja struktury SNN: metody wzrostu, redukcji,optymalizacji dyskretnej.
Rodzaje uczenia sieci: z nauczycielem i bez, uczenie z krytykiem.
Sieci radialne.Architektura RBF. Uczenie jako interpolacja wag.
Uczenie jako aproksymacja parametrów sieci. Uczenie nienadzorowane sieci RBF. Algorytm K-średnich. Uczenie nadzorowane sieci RBF.
Regula Hebba. Pamięć autoasocjacyjna. Binarna macierz korelacji BCM.
Binary Association Matrix (BAM). Algorytmy nauczania. Zastosowania - pamięć rozpoznawcza.
Sieci neuronowe w sterowaniu.

Całkowity nakład pracy studenta

Godziny realizowane z udziałem nauczycieli ( 60 godz.): - udział w wykładach - 15 - udział w laboratoriach – 45 Czas poświęcony na pracę indywidualną studenta ( 60 godz.): - przygotowanie do wykładu-10 - przygotowanie do laboratoriów – 20 - przygotowanie do zaliczenia na ocenę z wykładu- 20 - przygotowanie do kolokwium - 10 Łącznie: 120 godz. ( 4 ECTS)

Efekty uczenia się - wiedza

W01: Ma wiedzę w zakresie analizy matematycznej, metod numerycznych, symulacji komputerowych, niezbędnych do zastosowania sieci neuronowych – K_W01 W02: Opisuje działania układów dynamicznych za pomocą modeli, zawierających układy programowe w postaci sieci neuronowych – K_W01,K_W07 W03: Charakteryzuje aparat pojęciowy sieci neuronowych i oraz możliwości ich zastosowania w modelowaniu i projektowaniu algorytmów regulacji – K_W11

Efekty uczenia się - umiejętności

U01: Wykorzystuje narzędzia programistyczne MatLab i Simulink, pozwalające na realizację projektów w zakresie tworzenia układów regulacji na podstawie sieci neuronowych –K_U03 U02: Analizuje złożoność algorytmów uczenia sieci neuronowej w zależności od typu modelu K_U06, K_U05

Efekty uczenia się - kompetencje społeczne

K01: potrafi precyzyjnie formułować pytania działalności naukowej, zwłaszcza w rozbudowie i zastosowaniu układów z elementami sztucznej inteligencji, do których odnoszą się sieci neuronowe - K_K01

Metody dydaktyczne

Metoda dydaktyczna podająca: - wykład informacyjny (konwencjonalny) Wykład, forma bezpośrednia: prezentacja i dyskusja Metoda dydaktyczna poszukująca: - laboratoryjna Laboratoria, forma bezpośrednia: zadania w trakcie zajęć

Metody dydaktyczne podające

- wykład konwersatoryjny

Metody dydaktyczne poszukujące

- laboratoryjna

Rodzaj przedmiotu

przedmiot obligatoryjny

Wymagania wstępne

Znajomość wybranych działów matematyki i teorii sterowania, metod optymalizacji, z pracy w środowisku MatLab i Simulink

Koordynatorzy przedmiotu

Oleksandr Sokolov

Kryteria oceniania

Metody oceniania:
zaliczenie na ocenę - W01-W03,K01
kolokwium- U01,U02

Kryteria oceniania:
Wykład: zaliczenie na ocenę na podstawie testu (pytania otwarte)
ndst -30 pkt (30%)
dst- 50 pkt (50%)
dst plus- 75 pkt (75%)
db- 90 pkt (90%)
db plus- 95 pkt (95%)
bdb- 100 pkt (100%)

Laboratoria: zaliczenie na ocenę na podstawie wykonywania zadań w trakcie zajęć
ndst -30 pkt (30%)
dst- 50 pkt (50%)
dst plus- 75 pkt (75%)
db- 90 pkt (90%)
db plus- 95 pkt (95%)
bdb- 100 pkt (100%)
Osoby które zaliczą laboratorium na ocenę 5 są zwolnione z egzaminu

Praktyki zawodowe

„nie dotyczy”

Literatura

Literatura podstawowa:
1. Rutkowski L., Metody i techniki sztucznej inteligencji, PWN 2005.
2. Sieci neuronowe w zastosowaniach, pod redakcją Urszuli Markowskiej-Kaczmar, Haliny Kwaśnieckiej, Politechnika Wrocławska, 2005
3. Literatura uzupełniająca:
1. O. Sokolov, Prezentacje wykładu w postaci elektronicznej
2. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, 1993

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 0800-AR2SINEUMOD w USOSweb