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.