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 w bezpośrednim kontakcie z nauczycielem: 60 godzin – 2 pkt ECTS

Samodzielna praca studenta: 90 godzin - 3 pkt ECTS

Wykład: egzamin pisemny (W01, W02, W03, K01, K03).

Ćwiczenia: ocena z realizacji projektów (U01, U02, U03, K01, K02, K03)

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 (ang.: Deep Learning, MIT Press, 2016. dost. on-line: https://www.deeplearningbook.org)..

2. John Hertz, Anders Krogh, Richard G. Palmer: Wstęp do teorii obliczeń neuronowych. WNT, 1995 (ang.: Introduction To The Theory Of Neural Computation. Taylor and Francis Books, 2020).

3. Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants: Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe. Helion, 2018 (ang.: Python Deep Learning: Understand how deep neural networks work and apply them to real-world tasks, Third Edition. Packt Publishing, 2023).

Wiedza:

W01. Znajomość podstawowych modeli neuronów (K_W01, K_W12).

W02. Znajomość podstawowych typów architektur sztucznych sieci neuronowych (K_W04, K_W12).

W03. Znajomość wybranych algorytmów uczenia sieci neuronalnych (K_W05, K_W09, K_W11, K_W12).

Umiejętności:

U01. Umiejętność zaprojektowania i implementacji wybranych struktur sieci neuronowych - w tym z użyciem bibliotek języka Python (K_U01, K_U02, K_U03, K_U04, K_U05, K_U07, K_U10).

U02. Umiejętność zastosowania wybranych algorytmów uczenia nadzorowanego i nienadzorowanego (K_U01, K_U02, K_U03, K_U04, K_U05, K_U07, K_U10).

U03. Umiejętność rozwiązywania problemów związanych z realizacją procesów uczenia (K_U01, K_U02, K_U03, K_U05, K_U06, K_U07, K_U08, K_U09, K_U10).

Kompetencje:

K01. Aktywna postawa w docieraniu do wiedzy specjalistycznej (K_K01, K_K02).

K02. Twórcze podejście do problemów stosowania metod sztucznej inteligencji w nauce i technice (K_K01, K_K02, K_K03, K_K04, K_K06).

K03. Krytyczna ocena wiedzy, dostępnej w literaturze specjalistycznej i popularno-naukowej (K_K01, K_K02).