Politechnika
Warszawska

Katalog
ECTS

Nazwa przedmiotu:

Sieci neuronowe

Koordynator przedmiotu:

Dr inż. Grzegorz Orzechowski

Status przedmiotu:

Obowiązkowy

Poziom kształcenia:

Studia I stopnia

Program:

Automatyka i Robotyka

Grupa przedmiotów:

Obowiązkowe

Kod przedmiotu:

ML.NK385

Semestr nominalny:

3 / rok ak. 2017/2018

Liczba punktów ECTS:

3

Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:

1. Liczba godzin kontaktowych: 35, w tym: a) wykład – 30 godz., b) konsultacje – 5 godz. 2. Praca własna studenta – 40 godzin, w tym: a) realizacja pracy domowej, polegającej na przeprowadzeniu procesu modelowania statycznego sieci neuronowej przy pomocy wybranego pakietu obliczeniowego (np. MATLAB, STATISTICA, NeuroLab), analizy skuteczności algorytmów trenujących, zdolności aproksymacji oraz interpolacji zaprojektowanej sieci neuronowej – 25 godz., b) przygotowywanie się do testu zaliczeniowego – 15 godz. Razem: 75 godzin – 3 punkty ECTS.

Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:

1,4 punktu ECTS - 35 godzin kontaktowych, w tym: a) wykład – 30 godz., b) konsultacje – 5 godz.

Język prowadzenia zajęć:

polski

Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:

1 punkt ECTS – 25 godzin, w tym: realizacja pracy domowej, polegającej na przeprowadzeniu procesu modelowania statycznego sieci neuronowej przy pomocy wybranego pakietu obliczeniowego (np. MATLAB, STATISTICA, NeuroLab), analizy skuteczności algorytmów trenujących, zdolności aproksymacji oraz interpolacji zaprojektowanej sieci neuronowej.

Formy zajęć i ich wymiar w semestrze:

• Wykład30h
• Ćwiczenia0h
• Laboratorium0h
• Projekt0h
• Lekcje komputerowe0h

Wymagania wstępne:

1. Znajomość analizy matematycznej w zakresie wykładanym na wcześniejszych latach studiów. 2. Posiadanie podstawowej wiedzy i umiejętności w zakresie metod numerycznych i języków programowania.

Limit liczby studentów:

72

Cel przedmiotu:

1. Zapoznanie studentów z istotnymi cechami sztucznych sieci neuronowych, z podstawami algorytmów wykorzystywanych w dziedzinie sztucznych sieci neuronowych oraz z przykładami zastosowań praktycznych ze wskazaniem zalet i ograniczeń. 2. Przygotowanie do samodzielnego formułowania i rozwiązywania zagadnień z wykorzystaniem sieci neuronowych.

Treści kształcenia:

Wprowadzenie — podstawowe idee, historia, podstawowe zastosowania. Opis neuronu, podstawowe charakterystyki. Struktury sieci neuronowych – sieci statyczne i dynamiczne. Zastosowanie sieci neuronowych w modelowaniu statycznym oraz dynamicznym. Systemy typu black-box oraz gray-box. Zastosowanie sieci do kategoryzacji oraz wizualizacji. Zasady i algorytmy procesu uczenia sieci. Zasady doboru danych wejściowych, normalizacja danych, dobór modelu sieci. Przykłady zastosowań — agregacja (klasteryzacja) informacji, analiza (rozpoznawanie) obrazów, układy decyzyjne, układy sterowania.

Metody oceny:

Ocenie podlega praca domowa (30% oceny końcowej) oraz test zaliczeniowy (70% oceny końcowej).

Egzamin:

nie

Literatura:

1. R. Tadeusiewicz, T. Gąciarz, B. Borowik i B. Leper, Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#, Polska Akademia Umiejętności, 2007. 2. G. Dreyfus, Neural Networks: Methodology and Applications, Springer, 2005. 3. C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995. 4. R. A. Kosinski, Sztuczne sieci neuronowe: dynamika nieliniowa i chaos, WNT, 2009. 5. M. Nørgaard, O. Ravn, N.K. Poulsen i L.K. Hansen, Neural Networks for Modelling and Control of Dynamic Systems, Springer, 2003.

Witryna www przedmiotu:

http://tmr.meil.pw.edu.pl/web/Dydaktyka/Prowadzone-przedmioty/Sieci-neuronowe

Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt ML.NK385_W1

Zna podstawowe idee i zasady wykorzystywane przy tworzeniu sztucznych sieci neuronowych.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_W08, AiR1_W12
Powiązane efekty obszarowe: T1A_W02, T1A_W03, T1A_W07, T1A_W01, T1A_W03, T1A_W04

Efekt ML.NK385_W2

Zna zasady budowy liniowych i nieliniowych (w tym: wielowarstwowych) sztucznych sieci jednokierunkowych.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_W08, AiR1_W12
Powiązane efekty obszarowe: T1A_W02, T1A_W03, T1A_W07, T1A_W01, T1A_W03, T1A_W04

Efekt ML.NK385_W3

Zna zasady budowy i działania sztucznych sieci neuronowych ze sprzężeniami zwrotnymi.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_W08, AiR1_W12
Powiązane efekty obszarowe: T1A_W02, T1A_W03, T1A_W07, T1A_W01, T1A_W03, T1A_W04

Efekt ML.NK385_W4

Zna zasady i algorytmy procesu uczenia sieci różnych typów.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_W08, AiR1_W12
Powiązane efekty obszarowe: T1A_W02, T1A_W03, T1A_W07, T1A_W01, T1A_W03, T1A_W04

Efekt ML.NK385_W5

Posiada podstawową wiedzę o metodach doboru danych wejściowych do modelu, struktury modelu oraz algorytmach weryfikacji modelu.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_W08, AiR1_W12
Powiązane efekty obszarowe: T1A_W02, T1A_W03, T1A_W07, T1A_W01, T1A_W03, T1A_W04

Efekt ML.NK385_W6

Posiada podstawową wiedzę o obszarach możliwych zastosowań sztucznych sieci neuronowych, w tym: w układach sterowania.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_W08, AiR1_W12
Powiązane efekty obszarowe: T1A_W02, T1A_W03, T1A_W07, T1A_W01, T1A_W03, T1A_W04

Profil ogólnoakademicki - umiejętności

Efekt ML.NK385_U1

Potrafi wskazać zadania techniczne, do rozwiązania których wskazane jest użycie sieci neuronowych.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_U05
Powiązane efekty obszarowe: T1A_U08, T1A_U09, T1A_U15

Efekt ML.NK385_U2

Potrafi zaproponować algorytm uczenia dla prostej sieci oraz ocenić jego skuteczność.
Weryfikacja: Kolokwium.
Powiązane efekty kierunkowe: AiR1_U05
Powiązane efekty obszarowe: T1A_U08, T1A_U09, T1A_U15

Efekt ML.NK385_U3

Potrafi przeprowadzić proces modelowania statycznego sieci neuronowej przy pomocy pakietu obliczeniowego.
Weryfikacja: Ocena pracy domowej.
Powiązane efekty kierunkowe: AiR1_U05, AiR1_U09
Powiązane efekty obszarowe: T1A_U08, T1A_U09, T1A_U15, T1A_U07, T1A_U08, T1A_U09

Efekt ML.NK385_U4

Posiada umiejętność wyszukiwania informacji niezbędnych do zaprojektowania właściwej dla danego zadania struktury.
Weryfikacja: Ocena pracy domowej.
Powiązane efekty kierunkowe: AiR1_U01, AiR1_U20
Powiązane efekty obszarowe: T1A_U01, T1A_U05