KARTA PRZEDMIOTU 1. Nazwa przedmiotu: SIECI NEURONOWE 2
Transkrypt
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)