Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sieci neuronowe
Koordynator przedmiotu:
dr inż. Andrzej Kordecki
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Robotyka i Automatyka
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
Semestr nominalny:
7 / rok ak. 2022/2023
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Godziny kontaktowe z nauczycielem (zajęcia): 30 Godziny kontaktowe z nauczycielem (konsultacje): 5 Przygotowanie się do zajęć: 5 Przygotowanie do sprawdzianów: 10 Korzystanie z materiałów dodatkowych i pomocniczych: 5 SUMA: 55
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1.5 ECTS – 35 h, w tym: Zajęcia: 30 h Konsultacje: 5 h
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1 ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium15h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
1. Znajomość analizy matematycznej, algebry i statystyki w zakresie wykładanym na wcześniejszych latach studiów. 2. Znajomość metod optymalizacji z szczególnym uwzględnieniem metod optymalizacji funkcji nieliniowych wielu zmiennych. 3. Posiadanie podstawowej wiedzy i umiejętności w zakresie metod numerycznych i języków programowania w zakresie osiąganym na wcześniejszych latach studiów.
Limit liczby studentów:
100
Cel przedmiotu:
C1. Zapoznanie się z podstawowymi zasadami działania sieci neuronowych. C2. Pozyskanie wiedzy i umiejętności dotyczących matematycznego opisu sieci neuronowych. C3. Zdobycie wiedzy i umiejętności z zakresu samodzielnego formułowania oraz przeprowadzania treningu sieci neuronowych. C4. Przekazanie wybranych podstawowych typów i zastosowań sieci neuronowych wraz z przykładami zastosowań praktycznych. C5. Pozyskanie wiedzy i umiejętności w zakresie programowania sieci neuronowych.
Treści kształcenia:
Wykłady Podstawowe pojęcia z sieci neuronowych i typowe zastosowań sieci neuronowych. Model neuronu i struktura sieci neuronowych. Uczenie sieci neuronowych: metody uczenia maszynowego, funkcja strat i współczynniki oceny, reguły uczenia sieci neuronowych, dobór stałej uczenia i algorytm wstecznej propagacji błędów. Uczenie sieci neuronowych: metody uczenia maszynowego, funkcja strat i współczynniki oceny, reguły uczenia sieci neuronowych, dobór stałej uczenia i algorytm wstecznej propagacji błędów. Charakterystyka uczenia sieci neuronowych: charakterystyka przeuczenie i niedouczenie sieci neuronowych, metody walidacji, metody generalizacji sieci neuronowych w tym dropout i batch normalization. Opis wybranych modeli sieci neuronowych: sieci RBF, sieci samoorganizujące Map (Kohonena), sieci konwolucyjne i sieci rekurencyjne z LSTM. Laboratoria Wiadomości wstępne nt. programowania i funkcjami bibliotek związanych z sieciami neuronowymi. Zastosowanie wielowarstwowych sieci neuronowych do problemów regresji. Zastosowanie wielowarstwowych sieci neuronowych do problemów klasyfikacji. Ocena i poprawa wyników działania sieci neuronowej. Sprawdzian cząstkowy z pierwszej części przedmiotu. Zastosowania konwolucjnych sieci neuronowych. Metoda transferu wiedzy. Zastosowania rekurencyjnych sieci neuronowych. Sprawdzian cząstkowy z drugiej części przedmiotu.
Metody oceny:
(F – formująca, P – podsumowująca) Fw – ocena ze sprawdzianu z wykładów, Fs1-Fs2 – oceny ze sprawdzianów z zajęć laboratoryjnych (dwa sprawdziany), P – ocena podsumowująca (z uwzględnieniem ocen formujących z sprawdzianów). Ocenie podlegają sprawdziany przeprowadzane w trakcie semestru. Szczegóły systemu oceniania są opublikowane pod adresem: https://ztmir.meil.pw.edu.pl (zakładka Dla Studentów).
Egzamin:
nie
Literatura:
1. S. Haykin, Neural Networks and Learning Machines, Third Edition, Prentice Hall (2009), 2. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press (2016), 3. G. Dreyfus, Neural Networks: Methodology and Applications, Springer, New York (2005), 4. S. S. Haykin, Neural Networks and Learning Machines. Prentice Hall (2009), 5. R. Tadeusiewicz, T. Gąciarz, B. Borowik i B. Leper, Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#, Polska Akademia Umiejętności (2007), 6. Artykuły związane sieci konwolucyjnymi i rekurencyjnymi prezentowanymi podczas wykładów. 7. Materiały na stronie http://tmr.meil.pw.edu.pl (zakładka Dla Studentów).
Witryna www przedmiotu:
https://ztmir.meil.pw.edu.pl/web/Dydaktyka/Dla-studentow/Materialy-dydaktyczne
Uwagi:
—

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka EW1
Student ma podstawową wiedzę na temat zasad działania i obszarów zastosowań sieci neuronowych.
Weryfikacja: sprawdzian z wykładów, sprawdzian z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_W18
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o
Charakterystyka EW2
Student zna podstawy matematycznego modelu neuronu i modelu sieci neuronowej.
Weryfikacja: sprawdzian z wykładów, sprawdzian z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_W12
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o
Charakterystyka EW3
Student zna metody uczenia sieci neuronowych.
Weryfikacja: sprawdzian z wykładów, sprawdzian z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_W12
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o
Charakterystyka EW4
Student ma wiedzę na temat oceny i poprawy wyników sieci neuronowych.
Weryfikacja: sprawdzian z wykładów, sprawdzian z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_W12
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o
Charakterystyka EW5
Student ma wiedzę na temat wybranych modeli sieci neuronowych.
Weryfikacja: sprawdzian z wykładów, sprawdzian z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_W12
Powiązane charakterystyki obszarowe: P6U_W, I.P6S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka EU1
Student potrafi zaprojektować sieci neuronową.
Weryfikacja: sprawdziany z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_U09
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o
Charakterystyka EU2
Student potrafi nauczyć sieć neuronową.
Weryfikacja: sprawdziany z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_U09
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o
Charakterystyka EU3
Student potrafi ocenić wyniki sieci neuronowej w problemach regresji i klasyfikacji.
Weryfikacja: sprawdziany z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_U09
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o
Charakterystyka EU4
Student potrafi poprawić wyniki sieci neuronowych.
Weryfikacja: sprawdziany z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_U09, AiR1_U20
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o, I.P6S_UU
Charakterystyka EU5
Student potrafi dopasować model sieci do danego zadania.
Weryfikacja: sprawdziany z zajęć laboratoryjnych
Powiązane charakterystyki kierunkowe: AiR1_U09, AiR1_U20
Powiązane charakterystyki obszarowe: P6U_U, I.P6S_UW.o, III.P6S_UW.o, I.P6S_UU