Kurs: ELEKTRONIKA Kod kursu
Transkrypt
Kurs: ELEKTRONIKA Kod kursu
Kurs: SIECI NEURONOWE I ICH ZASTOSOWANIA Kod kursu: WI/S1/Inf/ /KMSIiMS 1. 2. 3. 4. 5. 6. Odpowiedzialny za przedmiot, jego miejsce zatrudnienia i e-mail: dr inż. Marcin Pluciński, Zakład Metod Sztucznej Inteligencji, Katedra Metod Sztucznej Inteligencji i Matematyki Stosowanej, e-mail: [email protected] Język wykładowy: polski Liczba punktów ECTS: 2 Rodzaj studiów, kierunek, specjalność: studia stacjonarne 1-go stopnia, kierunek: Informatyka Status przedmiotu: obieralny Informacje o formach zajęć: Sem. Pkt. V 2 Wykład G/sem 15 F.z. Z Seminarium G/sem F.z. - Zajęcia praktyczne Ćw/ćw. komp. Laboratorium Projekt G/sem F.z. G/sem F.z. G/sem F.z. 15 Z - Objaśnienia: Pkt – liczba punktów, G/sem. – liczba godzin w semestrze, F.z. – forma zaliczenia zajęć (E – egzamin, z – zaliczenie), Ćw. komp – zajęcia w formie ćwiczeń, na stanowiskach komputerowych 7. Wymagane zaliczenie kursów poprzedzających (wymagana wiedza): Podstawy informatyki 8. Treści kształcenia Wykład Wprowadzenie w tematykę sieci neuronowych. Sieci neuronowe jednokierunkowe (budowa i działanie sztucznego neuronu, metody uczenia sieci jednokierunkowych, przykłady uczenia i działania sieci neuronowych jednokierunkowych, wybrane zastosowania sieci neuronowych jednokierunkowych, dobór optymalnej architektury sieci). Sieci neuronowe o radialnych funkcjach bazowych – sieci RBF (podstawy matematyczne, metody uczenia, probabilistyczne sieci neuronowe). Sieci rekurencyjne (sieć autoasocjacyjna Hopfielda, sieć Hamminga). Sieci samoorganizujące się – uczenie bez nadzoru (budowa i działanie, algorytmy uczenia sieci samoorganizujących się, algorytm Kohonena, przykłady zastosowań sieci samoorganizujących się). Laboratoria Analiza działania i uczenia klasyfikatora opartego o sieć typu Perceptron prosty. Analiza działania i uczenia sieci neuronowej liniowej typu MADALINE i nieliniowej typu PERCEPTRON. Analiza działania i uczenia sieci typu RBF – przykłady zastosowań do klasyfikacji i aproksymacji. Analiza działania i uczenia sieci Kohonena – klasteryzacja danych. Analiza działania i uczenia sieci Hopfielda – przykład zastosowania do budowy pamięci skojarzeniowej. 9. Efekty kształcenia Opanowanie praktycznej umiejętności zastosowania sieci neuronowych do zadań praktycznych takich jak: aproksymacja, klasyfikacja czy klasteryzacja danych. Umiejętność doboru typu i struktury sieci do zadania. Umiejętność skutecznego uczenia sieci. LITERATURA 1. D. Rutkowska, M. Piliński, L. Rutkowski - Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Wydawnictwo Naukowe PWN, Warszawa-Łódź 1997 2. S. Osowski - Sieci neuronowe w ujęciu algorytmicznym. WNT Warszawa 1996. 3. T. Masters - Sieci neuronowe w praktyce (programowanie w jęz. C++). WNT Warszawa 1996. 4. J. Korbicz, A. Obuchowicz, D. Uciński - Sztuczne sieci neuronowe, podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994. 5. Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998. 6. Tadeusiewicz R., Odkrywanie właściwości sieci neuronowych, Polska Akademia Umiejętności, Kraków 2007. 7. Łęski J., Systemy neuronowo-rozmyte, Wydawnictwa Naukowo-Techniczne, Warszawa, 2008.