Przedmiot fakulatywny 1 - Sztuczne sieci neuronowe

Podstawowa wiedza z algebry (rachunek macierzowy, rozwiązywanie układów równań liniowych i nieliniowych), analizy matematycznej i rachunku prawdopodobieństwa, elementów logiki matematycznej, jak również umiejętność programowania w języku Python.

Czas pracy z udziałem nauczycieli: 60 godzin – 2 pkt

Przygotowanie do laboratorium: 45 godzin - 1.5 pkt

Projekt zaliczeniowy: 30 godzin – 1 pkt

Przygotowanie do egzaminu: 15 godzin – 0.5 pkt

Sumaryczna liczba punktów ECTS dla modułu: 5 pkt

W tym liczba punktów ECTS za godziny kontaktowe z bezpośrednim udziałem nauczyciela akademickiego - 2 pkt

W tym liczba punktów ECTS za godziny realizowane w formie samodzielnej pracy studenta - 3 pkt

Wykład: egzamin pisemny.

Ćwiczenia: ocena z realizacji projektów.

W ramach przedmiotu studenci będą zapoznani ze sztucznymi sieciami neuronowymi - ich budową, metodami uczenia oraz potencjalnymi zastosowaniami. Zostaną przedstawione praktycznie wszystkie używane dziś struktury sieci, poczynając od najprostszych, takich jak w tym perceptron wielowarstwowy, poprzez sieci splotowe (konwolucyjne), asjocjacyjne (sieci Hopfielda), autoenkodery, sieci rekurencyjne (LSTM, GRU), na sieciach generatywnych (GAN) kończąc. Studenci poznają różnorodne algorytmy uczenia sieci, metody ich regularyzacji i optymalizacji. W ramach ćwiczeń ich uczestnicy praktycznie opanują narzędzia programistyczne (Tensorflow, Keras), stosowane do budowania sieci neuronowych, jak również praktyczne przykłady ich zastosowania. Będą ponadto poruszone aspekty techniczne oraz dobre praktyki w uczeniu i implementowaniu sieci neuronowych.

1. Yoshua Bengio, Aaron Courville, Ian Goodfellow: Deep Learning. Systemy uczące się. PWN, 2018.

2. John Hertz, Anders Krogh, Richard G. Palmer: Wstęp do teorii obliczeń neuronowych. WNT, 1995.

3. Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants: Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe. Helion, 2018.

Wiedza:

1. Znajomość podstawowych modeli neuronów.

2. Znajomość podstawowych typów architektur sztucznych sieci neuronowych.

3. Znajomość wybranych algorytmów uczenia sieci neuronalnych.

Umiejętności:

1. Umiejętność zaprojektowania i implementacji wybranych struktur sieci neuronowych (w tym z użyciem bibliotek języka Python).

2. Umiejętność zastosowania wybranych algorytmów uczenia nadzorowanego i nienadzorowanego.

3. Umiejętność rozwiązywania problemów związanych z realizacją procesów

uczenia.

Kompetencje:

1. Aktywna postawa w docieraniu do wiedzy specjalistycznej.

2. Twórcze podejście do problemów stosowania metod sztucznej inteligencji w nauce i technice.

3. Krytyczna ocena wiedzy, dostępnej w literaturze specjalistycznej i popularno-naukowej.