Wstęp do sieci neuronowych 1000-I1WSN

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.

Całkowity nakład pracy studenta

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

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, forma bezpośrednia: prezentacja i dyskusja, wsparcie platformy moodle Laboratoria, forma bezpośrednia: zadania w trakcie zajęć i zadania / projekty programistyczne, referaty (nieobowiązkowe), wsparcie platformy moodle

Metody dydaktyczne eksponujące

- symulacyjna (gier symulacyjnych)
- pokaz

Metody dydaktyczne podające

- wykład informacyjny (konwencjonalny)

Metody dydaktyczne poszukujące

- referatu
- laboratoryjna
- projektu

Wymagania wstępne

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

Koordynatorzy przedmiotu

W cyklu 2024/25L:

Andrzej Rutkowski

W cyklu 2025/26L:

Krzysztof Rykaczewski

W cyklu 2022/23L:

Krzysztof Rykaczewski

W cyklu 2023/24L:

Krzysztof Rykaczewski

Kryteria oceniania

Wykład
* egzamin ustny i pisemny

Laboratoria
* zaliczenie na ocenę
* zadania programistyczne (3 do 6 programów)

Praktyki zawodowe

Nie dotyczy.

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-I1WSN w USOSweb