KARTA PRZEDMIOTU 1. Nazwa przedmiotu: SIECI NEURONOWE 2

Z1-PU7
WYDANIE N1
Strona 1 z 3
KARTA PRZEDMIOTU
(pieczęć wydziału)
1. Nazwa przedmiotu: SIECI NEURONOWE
2. Kod przedmiotu:
3. Karta przedmiotu ważna od roku akademickiego: 2012
4. Forma kształcenia: studia drugiego stopnia
5. Forma studiów: studia stacjonarne
6. Kierunek studiów:
ELEKTRONIKA I TELEKOMUNIKACJA, WYDZIAŁ AEI
7. Profil studiów: ogólnoakademicki
8. Specjalność: WSZYSTKIE
9. Semestr: 9
10. Jednostka prowadząca przedmiot: Instytut Elektroniki, RAu3
11. Prowadzący przedmiot: dr inż. Katarzyna Mościńska
12. Przynależność do grupy przedmiotów:
Przedmioty inne
13. Status przedmiotu: wybieralny
14. Język prowadzenia zajęć: polski
15. Przedmioty wprowadzające oraz wymagania wstępne: BRAK
16. Cel przedmiotu: Celem przedmiotu jest zapoznanie studentów z jednym z narzędzi sztucznej
inteligencji – sieciami neuronowymi. Słuchacze kursu uczą posługiwania się sieciami neuronowymi, tzn.
doboru typu sieci do rozwiązania konkretnego problemu, wyboru konfiguracji sieci i metody uczenia.
Studenci poznają programy komputerowe symulujących sieci neuronowe.
17. Efekty kształcenia:1
Nr
W1
W2
U1
U2
U3
Opis efektu kształcenia
Zna wybrane modele i metody uczenia sieci
neuronowych
Zna możliwości, ograniczenia i potencjalne
zastosowania sieci neuronowych
Potrafi zbadać własności wybranych sieci
neuronowych
Potrafi dobrać model sieci neuronowej odpowiedni
do danego zadania
Potrafi posługiwać się symulatorami sieci
neuronowych
Metoda sprawdzenia
efektu kształcenia
kolokwium
wykład
Odniesienie
do efektów
dla kierunku
studiów
K2_W10
kolokwium
wykład
K2_W10
wykonanie ćw. lab.
laboratorium
wykonanie ćw. lab.
laboratorium
wykonanie ćw. lab.
laboratorium
K2_U06
K2_U02
K2_U01
K2_U03
K2_U06
18. Formy zajęć dydaktycznych i ich wymiar (liczba godzin)
W. 15
1
Ćw.
L. 15
P.
Sem.
należy wskazać ok. 5 – 8 efektów kształcenia
Forma
prowadzenia
zajęć
Z1-PU7
WYDANIE N1
Strona 2 z 3
19. Treści kształcenia:
Wykład:
Wprowadzenie. Definicja sieci neuronowych. Zalety sieci neuronowych. Krótko o historii. Przykłady zastosowań
sieci neuronowych. Ograniczenia w stosowaniu sieci neuronowych. Budowa ludzkiej komórki nerwowej. Budowa
sztucznego neuronu. Warstwowa struktura sieci. Idea uczenia sieci poprzez minimalizację błędu
średniokwadratowego aproksymacji. Sieć perceptron. Perceptron a problem XOR. Sieć Adaline i Madaline. Reguła
delta dla sieci liniowych. Sieci z propagacją błędu wstecz (backpropagation). Reguła delta dla sieci nieliniowych.
Zalety i wady wielowarstwowych sieci z propagacją błędu wstecz. Metody usprawnienia uczenia sieci z propagacją
błędu wstecz: metoda „momentum”, metoda Nguyena-Widrowa, adaptacyjny dobór wartości współczynnika
uczącego. Sieci RBF. Reguły uczenia skojarzeniowego (asocjacyjnego)- Hebba, Grossberga, Kohonena. Sieci
samoorganizujące Kohonena. Sieć przesyłająca żetony (Counter-propagation). Sieć Hopfielda. Funkcja energii i
stany w sieci Hopfielda. Sieć ART. Sieci neuronowe komórkowe. Projektowanie sieci neuronowych komórkowych.
Neurokomputery – klasyfikacja. Przykłady neurokomputerów. Zastosowania sieci neuronowych: przetwarzanie
sygnałów (filtracja, kompresja, predykcja), klasyfikacja obrazów, rozwiązywanie problemów kombinatorycznych i
inne. Algorytmy genetyczne: idea. Podstawowe operacje genetyczne: selekcja, krzyżowanie, mutacja.
Współdziałanie sieci neuronowych i algorytmów genetycznych. Systemy neuronowo-rozmyte.
Laboratorium:
1.
2.
3.
4.
5.
Obsługa prostych pakietów programów symulujących sieci neuronowe: testowanie własności sieci w
zależności od jej struktury (szybkość uczenia, przebieg procesu uczenia, analiza własności
klasyfikujących), własności sieci samoorganizujących (sieci jedno- i wielowarstwowe, sieci Hopfielda.
Neural Networks Toolbox środowiska Matlab: wykorzystanie zamieszczonych w pakiecie demonstracji
ilustrujących własności sieci neuronowych.
Opis struktury sieci i procesu uczenia (testowania) w środowisku Matlab. Realizacja sieci ze wsteczną
propagacją błędu w języku Matlab. Wpływ metody uczenia na szybkość i zbieżność uczenia.
Wykorzystanie interfejsu nntool do tworzenia, uczenia i testowania sieci neuronowych. Badanie własności
sieci ze wsteczną propagacją błędu, sieci Kohonena, sieci RBF i LVQ.
Zadanie typu indywidualnego o charakterze projektowym: realizacja złożonego zadania z wykorzystaniem
sieci neuronowych, w oparciu o gotowe pakiety symulujące sieci, lub realizacja prostszego zadania z
wykorzystaniem sieci neuronowych, z własnoręcznym oprogramowaniem sieci.
(oddzielnie dla każdej z form zajęć dydaktycznych W./Ćw./L./P./Sem.)
20. Egzamin: nie
21. Literatura podstawowa:
Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa, wyd. I 1993, wyd. III 1995.
22. Literatura uzupełniająca:
Tadeusiewicz R., Elementarne wprowadzenie do teorii sieci neuronowych, Akademicka Oficyna Wydawnicza,
Warszawa, 1998.
Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, 1996.
Hertz J., Krogh A., Palmer R.G., Wstęp do teorii obliczeń neuronowych, WNT, Warszawa 1993.
Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo
Naukowe PWN, Warszawa - Łódź 1997.
Z1-PU7
WYDANIE N1
Strona 3 z 3
23. Nakład pracy studenta potrzebny do osiągnięcia efektów kształcenia
Lp.
Forma zajęć
1
Wykład
2
Ćwiczenia
3
Laboratorium
4
Projekt
/
5
Seminarium
/
6
Inne
/
Suma godzin
Liczba godzin
kontaktowych / pracy studenta
15/15
/
15/15
30/30
24. Suma wszystkich godzin: 60
25. Liczba punktów ECTS: 2
26. Liczba punktów ECTS uzyskanych na zajęciach z bezpośrednim udziałem nauczyciela akademickiego 1
27. Liczba punktów ECTS uzyskanych na zajęciach o charakterze praktycznym (laboratoria, projekty) 1
26. Uwagi:
Zatwierdzono:
…………………………….
…………………………………………………
(data i podpis prowadzącego)
(data i podpis dyrektora instytutu/kierownika katedry/
Dyrektora Kolegium Języków Obcych/kierownika lub
dyrektora jednostki międzywydziałowej)