Prowadzony w cyklach: 2022/23L, 2023/24L, 2024/25L

Punkty ECTS: 6

Język: polski

Organizowany przez: Wydział Matematyki i Informatyki

Wstęp do sieci neuronowych 1000-AD-WdSNeur

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),

* Przegląd algorytmów konstrukcyjnych dla sieci skierowanych,

- algorytm wieżowy,

- algorytm piramidalny,

- algorytm kafelkowy,

- algorytm up-start,

* Algorytm wstecznej propagacji błędu,

* Walidacja jakości uczenia,

* Paradygmaty uczenia nadzorowanego i nienadzorowanego,

* Przegląd algorytmów samoorganizacji,

- Mapy samoorganizacyjne Kohonena,

- algorytm k-means (k średnich),

- ART2

* Analiza składowych głównych (PCA),

* Sieci Rekurencyjne, konstrukcja autoasocjatora Hopfielda,

* Maszyny Boltzmanna, symulowane wyżarzanie,

* Zespolone sieci neuronowe,

Całkowity nakład pracy studenta

30 godzin -- wykład; 30 godzin -- laboratoria; 100 godz. -- praca własna -- bieżące przygotowanie do zajęć, studiowanie literatury, przygotowanie do egzaminu, projekty.

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, dyskusja podczas wykładów, ćwiczenia i laboratorium programowania

Metody dydaktyczne podające

- opis
- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- ćwiczeniowa
- projektu
- laboratoryjna
- referatu

Wymagania wstępne

kursy programowania I oraz II, Algorytmy i struktury danych, podstawowa wiedza z algebry liniowej oraz analizy matematycznej

Koordynatorzy przedmiotu

Mateusz Maciejewski

Kryteria oceniania

Wykład

* egzamin ustny i pisemny

Laboratoria

* zaliczenie na ocenę

* kolokwium

* zadania programistyczne (3 do 6 programów)

Praktyki zawodowe

Nie przewiduje się.

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,

Więcej informacji

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

Strona przedmiotu 1000-AD-WdSNeur w USOSweb