Sztuczne układy neuropodobne

1. Godziny kontaktowe (z udziałem nauczyciela akademickiego):

Realizowane w formie zajęć laboratoryjnych: 45

Realizowane w formie zajęć wykładowych: 15

Realizowane w formie m.in. konsultacji: 10

Łączna liczba godzin z udziałem nauczyciela akademickiego 70

2. Godziny nie kontaktowe (praca własna studenta)

Studiowanie przez studenta literatury przedmiotu 40

Przygotowanie się studenta do zajęć dydaktycznych 20

Realizacja zleconych zadań projektowych 45

Łączna liczba godzin niekontaktowych 105

Godziny kontaktowe + samodzielna praca studenta OGÓŁEM: 175,00 godz.

liczba punktów ECTS = 175,00 godz.: 25,00 godz./ECTS = 7,00 ECTS

- w tym liczba punktów ECTS za godziny kontaktowe z bezpośrednim udziałem nauczyciela akademickiego - 2,8 punktów ECTS,

- w tym liczba punktów ECTS za godziny realizowane w formie samodzielnej pracy studenta - 4,2 punktów ECTS.

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

1. Zaliczenie laboratorium:

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

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

(Próg zaliczenia 51% punktów)

2. Zaliczenie wykładu

a) test wiedzy;

(W1, U1, U2, U3, K1, K2, K3).

(Próg zaliczenia 51% punktów)

Celem przedmiotu jest zapoznanie uczestników z podstawowymi zagadnieniami związanymi z budową i działaniem sztucznych odpowiedników biologicznych neuronów oraz konstruowania i działania sieci z nich złożonych.

Treści poruszane podczas zajęć będą obejmowały:

1. Budowę i sposób działania różnych elementów budujących sztuczne układy neuropodobne, w tym neuronów: biologicznego, MCP, Izhikevicha, Hodgkina Huxleya.

2. Problem separowalności liniowej dla zagadnień dwu i trzy-wymiarowych na przykładzie perceptronu prostego.

3. Budowę cechy charakterystyczne i sposób działania sieci o zróżnicowanych architekturach, m.in.: MLP, BAM, Hopfielda, Jordana/Elmana, Konwolucyjnych, maszyny płynowej oraz echowej.

4. Znaczenie wag połączeń w sieciach neuronalnych z omówieniem metod redukujących i przyrostowych nastawionych na zmianę architektury w tych sieciach.

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 (K_W02, K_W03, K_W08).

UMIEJĘTNOŚCI:

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

U2. Potrafi odwzorować działanie sztucznych układów neuropodobnych w systemie komputerowym.

U3. Student potrafi w sposób zrozumiały przedstawić, wyjaśnić i opisać zagadnienia związane z działaniem omówionych podczas zajęć sztucznych układów neuropodobnych

KOMPETENCJE SPOŁECZNE:

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