Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sieci neuronowe
Koordynator przedmiotu:
Andrzej PACUT
Status przedmiotu:
Fakultatywny ograniczonego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Przedmioty techniczne - zaawansowane
Kod przedmiotu:
SNR
Semestr nominalny:
4 / rok ak. 2018/2019
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
30 - wykład, 30 - realizacja zadania projektowego, 15 - samodzielne przygotowywanie się do wykładu i projektu.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
4
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Na poziomie kursu akademickiego dla studiów technicznych: - Analiza matematyczna - Probabilistyka - Programowanie
Limit liczby studentów:
Cel przedmiotu:
Celem przedmiotu jest prezentacja sztucznych sieci neuronowych, jako narzędzi do: - klasyfikacji, - aproksymacji funkcji, - modelowania układów dynamicznych, - optymalizacji kombinatorycznej. Prezentacji towarzyszy wprowadzenie do teorii, która stoi za działaniem sztucznych sieci neuronowych.
Treści kształcenia:
1. Perceptron Rosenblatta 2. Zagadnienie podziału na wiele klas i separowalności liniowej 3. Maszyna wektorów podpierających 4. Neuron liniowy 5. Aproksymacja funkcji 6. Uczenie sieci neuronowych 7. Propagacja zwrotna gradientu ogólnie 8. Propagacja zwrotna w perceptronie wielowarstwowym 9. Zagadnienie jakości aproksymacji 10. Procesy dynamiczne w sieciach neuronowych 11. Neuronowa aproksymacja systemów dynamicznych 12. Własności asymptotyczne sieci dynamicznych 13. Sieci stochastyczne
Metody oceny:
50% - egzamin 50% - zadanie projektowe
Egzamin:
tak
Literatura:
Haykin, Simon (1999). Neural Networks. A Comprehensive Foundation. Second Edition. Upper Saddle River, New Jersey, USA: Prentice Hall, Inc. Nigrin, A. (1993). Neural Networks for Pattern Recognition. Cambridge, MA: MIT Press. Zurada, Jacek M. (1992). Introduction To Artificial Neural Systems. Boston: PWS Publishing Company. Minsky, Marwin L. i Seymour A. Papert (1969). Perceptrons. Cambridge, Massachusetts: MIT Press. Also available: Expanded Edition, MIT Press, Cambridge, Ma., 1988. Cristianini, N. i J. Shave-Taylor(2001). An Introduction to Support Vector Machines. Cambridge, UK: Cambridge University Press. Widrow, Bernard i M.A. Lehr (1990). “30 years of adaptive neural networks: perceptron, madaline, and backpropagation”. W: Proceedings of IEEE 78.9.
Witryna www przedmiotu:
https://usosweb.usos.pw.edu.pl/kontroler.php?_action=katalog2/przedmioty/pokazPrzedmiot&prz_kod=103B-INSID-MSP-SNR
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka SNR_W01
Uczestnik zajęć nabywa wiedzę w następujących obszarach: - podstawowe zagadnienia związane z budową i funkcjonowaniem naturalnych sieci neuronowych - podział dziedziny na klasy (klasyfikacja), struktury służące do klasyfikacji i ograniczenia na jakość klasyfikacji - aproksymacja funkcji, struktury służące do tego i ograniczenia jakości - propagacja zwrotna gradientu w sieciach neuronowych - metody uczenia sieci neuronowych - procesy dynamiczne w sieciach neuronowych - własności asymptotyczne dynamicznych sieci neuronowych - zasady działania sieci stochastycznych
Weryfikacja: Egzamin
Powiązane charakterystyki kierunkowe: K_W04
Powiązane charakterystyki obszarowe: I.P7S_WG

Profil ogólnoakademicki - umiejętności

Charakterystyka SNR_U01
Uczestnik zajęć nabywa następujące umiejętności: - zaprojektowanie i implementacja uczącego się klasyfikatora neuronowego, - zaprojektowanie i implementacja klasyfikatora typu maszyna wektorów wspierających, - zaprojektowanie i implementacja neuronowego aproksymatora funkcji, - implementacja algorytmów uczenia się sieci neuronowych, - wykorzystanie sieci neuronowej do modelowania systemu dynamicznego, - implementacja metod optymalizacji takich jak symulowane wyżarzanie i maszyny Boltzmanna.
Weryfikacja: Realizacja zadania projektowego
Powiązane charakterystyki kierunkowe: K_U01, K_U03, K_U04, K_U09, K_U13
Powiązane charakterystyki obszarowe: I.P7S_UK, I.P7S_UU, I.P7S_UW, III.P7S_UW.1.o, III.P7S_UW.3.o