Uczenie sztucznych układów neuropodobnych (AI)

Zaliczenie przedmiotu Sztuczne Układy Neuropodobne.

Znajomość języka programowania Python.

1. Godziny kontaktowe (z udziałem nauczyciela akademickiego):

Realizowane w formie zajęć dydaktycznych: 30

Realizowane w formie m.in. konsultacji: 10

Łączna liczba godzin z udziałem nauczyciela akademickiego 40

2. Godziny nie kontaktowe (praca własna studenta)

Studiowanie przez studenta literatury przedmiotu 25

Przygotowanie się studenta do zajęć dydaktycznych 10

Realizacja zleconych zadań projektowych 45

Łączna liczba godzin niekontaktowych 80

Godziny kontaktowe + samodzielna praca studenta OGÓŁEM: 120,00 godz.

liczba punktów ECTS = 120,00 godz.: 30,00 godz./ECTS = 4,00 ECTS

- w tym liczba punktów ECTS za godziny kontaktowe z bezpośrednim udziałem nauczyciela akademickiego - 1,33 punktów ECTS,

- w tym liczba punktów ECTS za godziny realizowane w formie samodzielnej pracy studenta - 2,67 punktów ECTS.

Warunkiem zaliczenia przedmiotu jest udział studenta w przewidzianych planem studiów zajęciach dydaktycznych oraz uzyskanie pozytywnych ocen z prac objętych tymi zajęciami.

a) indywidualna ocena pracy na zajęciach; (25 pkt) (W1, U1, U2, U3, U4, U5, K1, K2, K3).

b) ocena zadanych do zrealizowania projektów; (75 pkt) (W1, U1, U2, U3, U4, U5, K1, K2, K3).

(Próg zaliczenia 51% punktów)

Celem przedmiotu jest bliższe zapoznanie uczestników z metodami i algorytmami uczenia wybranych, sztucznych układów neuropodobnych (sun), problemami i trudnościami występującymi podczas takiego procesu oraz czynnościami pozwalającymi te problemy rozwiązać lub minimalizować ich skutki.

Treści poruszane podczas zajęć będą obejmowały:

1. Uczenie nadzorowane, w tym: Perceptron Rosenblatta oraz algorytm jego uczenia; uczenie metodą spadku gradientu; uczenie sieci metodą wstecznej propagacji błędu.

2. Uczenie nienadzorowane, w tym: sieci BAM, Hopfielda oraz Kohonena oraz proces ich uczenia.

3. Uczenie ze wzmocnieniem.

1) I. Goodfellow, Y. Bengio, A. Courville, Deep Learning (https://www.deeplearningbook.org)

2) S. Raschka, V. Mirjalili, Python Machine Learning Third Edition (Packt Publishing) (https://github.com/rasbt/python-machine-learning-book-3rd-edition)

3) R. Tadeusiewicz (red.), Neurocybernetyka teoretyczna (Wydawnictwa Uniwersytetu Warszawskiego) (https://www.wuw.pl/product-pol-11315-Neurocybernetyka-teoretyczna-PDF.html)

4) SNNS Stuttgart Neural Network Simulator User Manual, Version 4.2. (https://www.ra.cs.uni-tuebingen.de/downloads/SNNS/SNNSv4.2.Manual.pdf)

WIEDZA:

W1. Zna i rozumie podstawy oraz sposoby działania omówionych na zajęciach sztucznych układów neuropodobnych wraz z metodami ich uczenia (K_W02, K_W03, K_W08).

UMIEJĘTNOŚCI:

U1. Potrafi ze zrozumieniem przeprowadzić kolejne etapy działania omówionych na zajęciach mechanizmów (np. algorytmu) uczenia sztucznych układów neuropodobnych (K_U02, K_U05, K_U07).

U2. Potrafi ze zrozumieniem przeprowadzić kolejne etapy działania omówionych na zajęciach sztucznych układów neuropodobnych (K_U02, K_U05, K_U07).

U3. Potrafi dobrać właściwe parametry pracy mechanizmu uczącego sztuczne układy neuropodobne (K_U02, K_U05, K_U07).

U4. Potrafi odwzorować działanie sztucznych układów neuropodobnych oraz mechanizmów ich uczenia w systemie komputerowym (K_U02, K_U05, K_U07).

U5. Potrafi w sposób zrozumiały przedstawić, wyjaśnić i opisać zagadnienia związane z działaniem i uczeniem omówionych podczas zajęć sztucznych układów neuropodobnych (K_U02, K_U05, K_U07).

KOMPETENCJE SPOŁECZNE:

K1. Zna i potrafi wyszukać oraz krytycznie ocenić pozycje literaturowe pozwalające na rozszerzenie jego wiedzy w zakresie sztucznych układów neuropodobnych oraz ich uczenia (K_K01, K_K06).

K2. Wykazuje staranność i rzetelność w realizowanych pracach oraz dąży do ich oryginalnego charakteru (K_K01, K_K06).

K3. Zdaje sobie sprawę z szybkiego rozwoju w zakresie sztucznych układów neuropodobnych i potrzeby poszerzania własnej wiedzy (K_K01, K_K06).