1DI2102 - Sztuczne sieci neuronowe

Nazwa w drugim języku: 

Artificial neural networks

Przedmiot realizowany w planach wzorcowych:

• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: WPS2018Z/2019L
• Informatyka stosowana Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: 21
• Informatyka Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: 13
• Informatyka Semestr: 1 Etap: Model 2, magisterskie II-go stopnia, stacjonarne, polski, Wersja programu studiów: 12

Obieralny dla katalogów:

Znalazłem 0 pozycji. (Pokaż szczegóły)

Cel przedmiotu: 

Przedmiot obejmuje teorie i zastosowanie róznego rodzaju sztucznych sieci neuronowych: MLP, RBF, SVM, sieci rekurencyjne, sieci Kohonena, PCA, ICA i rozmyte.

Treści kształcenia: 

Podstawowe modele neuronów, Podstawowe pojęcia sieci sieci hetero- i auto-asocjacyjnej, uczenie z nadzorem i bez nadzoru, rodzaje powiązań neuronów w sieci. Sieci jednokierunkowe wielowarstwowe typu MLP, algorytm propagacji wstecznej, interpretacja w postaci grafów, metody gradientowe uczenia sieci wielowarstwowych, zagadnienie generalizacji, dobór próbek uczących i architektury sieci, metody redukcji sieci, zastosowania sieci wielowarstwowych. Sieci neuronowe RBF, zagadnienia regularyzacji sieci i metody uczenia. Sieci typu Support Vector Machine (SVM) – zagadnienia uczenia i zastosowania. Sieci rekurencyjne Hopfielda, Hamminga i BAM, sieć Elmana i RTRN, metody uczenia i zastosowania sieci rekurencyjnych. Sieci samoorganizujące się Kohonena, metody uczenia i zastosowania. Sieci PCA i ICA do separacji sygnałów. Sieci neuronowe rozmyte, przykładowe architektury sieci i algorytmy uczące, przykłady zastosowań w zagadnieniach aproksymacji, predykcji, klasyfikacji, kompresji. Przykłady zastosowań technicznych.

Bibliografia: 

S. Osowski, Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza PW, 2006

Metody oceny: 

Warunkiem zaliczenia przedmiotu jest uzyskanie odpowiedniej liczby punktów (powyżej połowy możliwych do zdobycia) z testów bieżących na wykładach oraz części pisemnej i ustnej obejmującej wybrane zagadnienia sieci neuronowych. Na części pisemnej dopuszczone jest korzystanie z notatek z wykładów i książek.

Uwagi: 

Przedmioty na których bazuje dany przedmiot (prerekwizyty):

• [1DI1106] Analiza matematyczna

• Efekty Kształcenia dla kierunku Informatyka Stosowana:
• Wiedza

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  I2_W01	Ma rozszerzoną i pogłębioną wiedzę z zakresu matematyki przydatną do formułowania i rozwiązywania złożonych zadań z zakresu informatyki obejmującą wybrane zagadnienia dotyczące: a) analizy matematycznej, b) algebry, c) probabilistyki, d) metod numerycznych, e) optymalizacji.	+ (33%)	Student uzyskuje pogłębiona wiedzę z dziedziny systemów adaptacyjnych, uczących się i ich zastosowań.	Testy sprawdzające prowadzone bieżąco na wykładach oraz zaliczenie końcowe.
  I2_W01d	ma rozszerzoną i pogłębioną wiedzę z zakresu matematyki przydatną do formułowania i rozwiązywania złożonych zadań z zakresu informatyki, obejmującą wybrane zagadnienia dotyczące metod numerycznych	+ (33%)	Student pogłębia wiedzę z zakresu metod numerycznych stosowanych w uczeniu systemów adaptacyjnych.	Testy sprawdzające prowadzone bieżąco na wykładach oraz zaliczenie końcowe.
  I2_W04h	ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną obejmującą kluczowe zagadnienia z zakresu sztucznej inteligencji	+++ (100%)	Student uzyskuje wiedzę z zakresu sztucznych sieci neuronowych i ich zastosowań.	Testy sprawdzające prowadzone bieżąco na wykładach oraz zaliczenie końcowe.

• Umiejętności

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  I2_U08	Potrafi planować i przeprowadzać eksperymenty, w tym pomiary, symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski.	+ (33%)	Potrafi przeprowadzić cały cykl zastosowania sieci neuronowych do uzyskania właściwych wyników.	Obseracja działania studenta na laboratorium w czasie wykonywania projektu. Ocena realizacji projektu.
  I2_U12	Potrafi ocenić przydatność i możliwość wykorzystania nowych osiągnięć technik i technologii w zakresie informatyki.	+ (33%)	Potrafi zastosować najnowsze rozwiązania informatyczne w realizacji oprogramowania dla sztucznych sieci neuronowych.	Dyskusja możliwych rozwiązań i ocena wyboru studenckiego.
  I2_U18	Potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania zadania inżynierskiego charakterystycznego dla informatyki, w tym dostrzec ograniczenia tych metod i narzędzi; potrafi, stosując także koncepcyjnie nowe metody, rozwiązywać złożone zadania inżynierskie, charakterystyczne dla informatyki, w tym zadania nietypowe oraz zadania zawierające komponent badawczy.	++ (66%)	Potrafi dobrać właściwy rodzaj sztucznej sieci neuronowej do zadania.	Ocena jakości wykonanego projektu pod katem właściwego wyboru i realizacji.

• Kompetencje społeczne

  Kod	Efekt Kształcenia dla kierunku	Procent	Efekt kształcenia dla przedmiotu	Sposób sprawdzania
  E2_K01	Jest przygotowany do przeprowadzenie krytycznej analizy posiadanej wiedzy, ma świadomość posiadanych kompetencji i umie pozyskać informacje potrzebne do realizacji postawionych przed nim zadań.	+ (33%)	Rozumie konieczność ciągłego doskonalenie metod sztucznej inteligencji.	Dyskusje możliwych rozwiązań postawionego problemu i ocena rozeznania studenta w tematyce.
  E2_K04	Potrafi odpowiednio i w sposób odpowiedzialny określić priorytety służące realizacji postawionych zadań z uwzględnieniem pozatechnicznych aspektów i skutków działalności inżynierskiej, w tym jej wpływu na otoczenie społeczne i gospodarcze.	+ (33%)	Potrafi ocenić wpływ rożnych czynników na jakość rozwiązania przy użyciu sieci neuronowych.	Dyskusja ze studentem na temat jakości uzyskanego rozwiązania.
  E2_K06	potrafi myśleć i działać w sposób kreatywny i przedsiębiorczy	++ (66%)	Potrafi samodzielnie rozwiązać złożone problemy przy projektowaniu sieci neuronowej wykonującej określone zadanie.	Wstępna ocena stopnia przygotowania studenta do wykonywanego projektu.

• • Punkty ECTS za zajęcia kontaktowe z nauczycielem: 1 
  • Punkty ECTS za zajęcia praktyczne łącznie; kontaktowe i bez kontaktu z nauczycielem: 2 
• • Uzasadnienie punktów ECTS:

  • Zajęcia kontaktowe z nauczycielem: 

    Wykład 30 godzin

  • Zajęcia bez kontaktu z nauczycielem: 

    Przygotowanie się do bieżących testów na wykładach - 30 godzin
    Przygotowanie się do zaliczenia końcowego przedmiotu - 20 godzin

  • • Sumaryczna liczba godzin pracy studenta: 80 
  • Łączna liczba punktów ECTS wynika z sumarycznej liczby godzin pracy studenta.