Sieci neuronowe 1000-ZiSN

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

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

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

Koordynatorzy przedmiotu

Krzysztof Rykaczewski

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

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

Więcej informacji

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

Strona przedmiotu 1000-ZiSN w USOSweb