Sieci neuronowe - kurs rozszerzony

Godziny kontaktowe (z udziałem nauczyciela akademickiego)

Wykład: 15

Laboratorium: 20

Łączna liczba godzin z udziałem nauczyciela akademickiego: 35

Godziny nie kontaktowe (praca własna studenta)

zapoznanie się z odpowiednią literaturą odnoszącą się do kolejnego wykładu: 7

przygotowanie do egzaminu: 5

realizacja zleconych zadań projektowych: 38

Przygotowanie się do laboratorium: 5

Łączna liczba godzin nie kontaktowych: 55

SUMA GODZIN Moduł podstawowy: 90

Sumaryczna liczba punktów ECTS dla modułu: 3

SN_W_01_r, SN_W_02_r, SN_W_03_r, SN_W_04_r - Wykład: egzamin ustny składający się z 4 pytań ocenianych każde w skali 2-5. Wynik końcowy: średnia ocen pytań.

SN_U_01_r, SN_U_02_r, SN_U_03_r, SN_U_04_r - Laboratorium: 20% za indywidualną aktywność studenta na zajęciach; 20% za zaliczenie każdego z zadań projektowych (4 zadania).

Moduł ma na celu wzbogacenie wiedzy studentów o poszerzone treści kształcenia w stosunku do modułu podstawowego, dotyczące sztucznej inteligencji obliczeniowej oraz wybranych jej technik obliczeniowych.

1) J. Żurada, M. Barski, W. Jędrych, Sztuczne sieci neuronowe (Wydawnictwo Naukowe PWN, Warszawa).

2) R. Tadeusiewicz, Sieci neuronowe (Akademicka Oficyna Wydawnicza, Warszawa).

3) SNNS Stuttgart Neural Network Simulator User Manual, Version 4.2.

4) R. Tadeusiewicz . T. Gąciarz, B. Borowik, B. Leper, Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C# (Polska Akademia Umiejętności, Kraków).

WIEDZA

SN_W_01_r

Ma wiedzę dotyczącą modyfikacji i uogólnień podstawowego modelu sztucznych neuronów; K_K01, K_05, K_K06, K_W11, K_W12, K_W17, K_W21, K_W22

SN_W_02_r

Ma wiedzę o wybranych specjalnych typach sztucznych sieci neuronowych (sieci Hopfielda, sieci Hebba); K_K01, K_05, K_K06, K_W11, K_W12, K_W17, K_W21, K_W22

SN_W_03_r

Ma wiedzę dotyczącą podstawowych algorytmów uczenia nienadzorowanego (algorytm „jeden bierze wszystko”) oraz ich uogólnień; K_K01, K_05, K_K06, K_W11, K_W12, K_W17, K_W21, K_W22

SN_W_04_r

Ma wiedzę dotyczącą optymalizacji struktury sztucznych sieci neuronowych (metody redukujące i nadmiarowe); K_K01, K_05, K_K06, K_W11, K_W12, K_W17, K_W21, K_W22

UMIEJĘTNOŚCI

SN_U_01_r

Potrafi konstruować sieci Jordana,

przeprowadzać proces uczenia oraz wykorzystywać je do przewidywania kolejności wzorców wejściowych; K_K01, K_K05, K_K06, K_U01, K_U02, K_U09, K_U10, K_U14, K_U16, K_U19

SN_U_02_r

Potrafi konstruować sieci Perceptronowe, przeprowadzać proces uczenia, dokonywać trójwymiarowej prezentacji ich architektury oraz wykorzystywać je do identyfikacji wzorców; K_K01, K_K05, K_K06, K_U01, K_U02, K_U09, K_U10, K_U14, K_U16, K_U19

SN_U_03_r

Potrafi konstruować sieci Counter-Propagation, przeprowadzać proces uczenia oraz dokonać analizy rezultatów przeprowadzonego procesu; K_K01, K_K05, K_K06, K_U01, K_U02, K_U09, K_U10, K_U14, K_U16, K_U19

SN_U_04_r

Potrafi dokonywać modyfikacji architektury sztucznej sieci neuronowej z wykorzystaniem wbudowanych w symulator narzędzi wspierających ten proces; K_K01, K_K05, K_K06, K_U01, K_U02, K_U09, K_U10, K_U14, K_U16, K_U19