Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sieci neuronowe
Koordynator przedmiotu:
prof. dr hab. inż. Bohdan Macukow
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
Semestr nominalny:
2 / rok ak. 2017/2018
Liczba punktów ECTS:
6
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1) godziny kontaktowe 75h, w tym: a) obecność na wykładach - 30h, b) obecność na zajęciach w laboratorium - 45h 2) przygotowanie do zajęć laboratoryjnych - 30h 3) zapoznanie się ze wskazaną literaturą - 15h 4) napisanie programu, uruchomienie, weryfikacja (poza laboratorium) - 30h 5) przygotowanie raportu - 10h 6) przygotowanie do egzaminu i obecność na egzaminie - 10h Razem nakład pracy studenta 170h = 6p. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
a) obecność na wykładach - 30h, b) obecność na zajęciach w laboratorium - 45h Razem: 30 + 45 = 75h., co odpowiada 3 punktom ECTS.
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
a) obecność na zajęciach w laboratorium - 45h b) przygotowanie do zajęć laboratoryjnych - 30h c) napisanie programu, uruchomienie, weryfikacja (poza laboratorium) - 30h Razem: 45 + 30 + 30 = 105h., co odpowiada 4 punktom ECTS.
Formy zajęć i ich wymiar w semestrze:
  • Wykład45h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Programowanie
Limit liczby studentów:
brak limitu
Cel przedmiotu:
Po ukończeniu kursu studenci posiadają wiedzę o podstawach budowy i zasadach działania układu nerwowego oraz komórki nerwowej. Poznają podstawowe modele sztucznych sieci neuronowych i różnych procedur uczących ze szczególnym uwzględnieniem algorytmu wstecznej propagacji. Potrafią samodzielnie tworzyć modele komputerowe sieci do realizacji określonych zadań poprzez dobór architektury i metody uczenia.
Treści kształcenia:
Wykład: Wiadomości wstępne rys historyczny badań biocybernetycznych; porównanie funkcjonalne i strukturalne komputerów klasycznych i neurokomputerów, budowa i organizacja systemu nerwowego; komórka nerwowa jej budowa i własności, przekazywanie impulsów w systemie nerwowym; budowa i czynności ośrodkowego układu nerwowego. Komórka nerwowa i jej modele; model Mc Cullocha- Pittsa, sieci modelujące operacje (and, or, torowanie...); symbolika Mc Cullocha. Sieci neuronowe, sieć łańcuchowa i dwu-wymiarowa, połączenia typu hamowanie i pobudzanie oboczne; perceptron Rosenblatta, omówienie algorytmu uczenia; Reguła Delta. Dowód zbieżności procedury uczącej percptronu; model Adaline, opis i dowód zbieżności procedury uczącej. Sieć jako klasyfikator, problem XOR, Tw. Kołmogorowa i wynikające z tego wnioski. Model propagacji wstecznej; sieć Kohonena. Miary odległości; Model Hopfielda, Hopfield a modele fizyczne (szkło spinowe), funkcja energetyczna, zapis i odczyt w sieci, model binarny i ciągły, opis algorytmu, warunki zbieżności, przykłady. Model Hamminga, przykłady; teoria rezonansu adaptacyjnego – model Grossberga/Carpenter (ART), algorytm i przykłady. Model pamięci skojarzeniowej; sieci operacji logicznych. Zastosowanie sieci neuronowych do rozwiązywania zadań algebry macierzowej. Sieci neuronowe do zadań kompresji. Sieci neuronowe komórkowe. Zasady budowy pamięci skojarzeniowych (reguła Hebba, uczenie niehebbowskie, uczenie anty-hebbowskie, reguły perceptronowe, pamięci dwu- i wielokierunkowe). Zastosowanie sieci Hopfielda do rozwiązywania problemów optymalizacyjnych (interpretacja modelu w postaci układu elektrycznego, reprezentacja rozwiązywanego problemu kombinatorycznego, postać funkcji energii sieci, metody doboru współczynników, zalety i ograniczenia, modyfikacje deterministyczne, chaotyczne i stochastyczne, maszyna Boltzmanna, zastosowania akademickie oraz przykłady zastosowań praktycznych). Zastosowanie sieci samoorganizujących się do rozwiązywania problemów optymalizacyjnych (sieć Kohonena, metoda siatki elastycznej). Modyfikacje reguły propagacji wstecznej (momentum, reguła delta-bar-delta, Silva i Alameida, przybliżenie drugich pochodnych). Metody uczenia przyrostowego (motywacja, przykładowe algorytmy). Dobór optymalnej architektury sieci (przeuczenie, zdolność generalizacji, oszacowania liczby neuronów w warstwie ukrytej sieci jednokierunkowej, metody obcinania). Algorytmy konstrukcyjne (kaskadowa korelacja, metody modularne). Systemy hybrydowe neuro-fuzzy i neuro-genetyczne (podstawy teoretyczne, zastosowania praktyczne). Zastosowania sieci neuronowych w zagadnieniach ekonomicznych, finansowych i medycznych. Laboratorium: Tematyka zajęć obejmuje stworzenie modelu sieci neuronowej dla wybranego zagadnienia z zakresu: zastosowań w ekonomii, klasyfikacji, Support Vector Machine, klasyfikacji przy pomocy sieci radialnych, modelu Kohonena, gdy Othello i innych.  
Metody oceny:
Do zaliczenia przedmiotu wymagane jest zdanie egzaminu (waga 50%) oraz zaliczenie części praktycznej. studenci w kilkuosobowych zespołach przygotowują własny model na wybrany temat wraz z przygotowaniem odpowiednich materiałów (waga 50%).
Egzamin:
tak
Literatura:
1. J.Hertz, A.Krogh, R.G.Palmer, Wstęp do teorii obliczeń neuronowych, WNT, 1993, 2. S.Osowski, Sieci neuronowe, Ofic.Wyd.Pol.Warsz., Warszawa, 1994, 3. T. Kacprzak, K. Ślot Sieci neuronowe komórkowe, PWN 1995 4. T.Masters, Sieci neuronowe w praktyce, WNT 1996, 5. J.Zurada, M.Barski, W.Jędruch, Sztuczne sieci neuronowe, PWN 1996. 6. S.Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996, 7. D. Rutkowska, M. Piliński, L. Rutkowski Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN 1997 8. S. Osowski, Sieci neuronowe do przetwarzania informacji, OW PW Warszawa 2000 9. J. Mańdziuk Sieci neuronowe typu Hopfielda, teoria i przykłady zastosowań, AOW EXIT, Warszawa 2000 10. B. Borowik Pamięci asocjacyjne, Mikom 2002 11. R. A. Kosiński Sztuczne sieci neuronowe, WNT 2002 12. http://www.mini.pw.edu.pl/~macukow/pl/dydaktyka.html  
Witryna www przedmiotu:
mini.pw.edu.pl/~macukow/
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W01
zna teoretyczne podstawy działania i modelowania elementów neuropodobnych oraz budowy sieciowych struktur neuronowych
Weryfikacja: egz. – część pisemna ew. część ustna
Powiązane efekty kierunkowe: SI_W09, SI_W11
Powiązane efekty obszarowe: ,

Profil ogólnoakademicki - umiejętności

Efekt U01
potrafi przeanalizować zadany układ sieciowy, stworzyć opis jego funkcjonalności, przeprowadzić dowód poprawności działania
Weryfikacja: egz. - cz. pisemna projekt
Powiązane efekty kierunkowe: SI_U06, SI_U15
Powiązane efekty obszarowe: ,
Efekt U02
potrafi zaprojektować układ rozwiązujący określony problem posiadający praktyczne znaczenie (np. z obszaru finansów czy klasyfikacji danych)
Weryfikacja: egz. - cz. pisemna projekt
Powiązane efekty kierunkowe: SI_U09, SI_U15
Powiązane efekty obszarowe: ,
Efekt U03
potrafi wybrać właściwe narzędzia programistyczne do zamodelowania układu sieciowego o zadanych parametrach
Weryfikacja: zaliczenie projektu
Powiązane efekty kierunkowe: SI_U09
Powiązane efekty obszarowe:
Efekt U04
posiada umiejętność korzystania ze źródeł literaturowych oraz zasobów internetowych dotyczących rozwiązywanego zadania
Weryfikacja: zaliczenie projektu
Powiązane efekty kierunkowe: SI_U01
Powiązane efekty obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Efekt K01
potrafi pracować indywidualnie i w zespole
Weryfikacja: zaliczenie projektu
Powiązane efekty kierunkowe: SI_K04
Powiązane efekty obszarowe: