Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Wydział Informatyki - Informatyka (S1)

Sylabus przedmiotu Sieci neuronowe i ich zastosowania - Przedmiot obieralny I:

Informacje podstawowe

Kierunek studiów Informatyka
Forma studiów studia stacjonarne Poziom pierwszego stopnia
Tytuł zawodowy absolwenta inżynier
Obszary studiów nauk technicznych, studiów inżynierskich
Profil ogólnoakademicki
Moduł
Przedmiot Sieci neuronowe i ich zastosowania - Przedmiot obieralny I
Specjalność systemy komputerowe i oprogramowanie
Jednostka prowadząca Katedra Metod Sztucznej Inteligencji i Matematyki Stosowanej
Nauczyciel odpowiedzialny Andrzej Piegat <Andrzej.Piegat@zut.edu.pl>
Inni nauczyciele Ewa Adamus <Ewa.Adamus@zut.edu.pl>
ECTS (planowane) 2,0 ECTS (formy) 2,0
Forma zaliczenia zaliczenie Język polski
Blok obieralny 3 Grupa obieralna 6

Formy dydaktyczne

Forma dydaktycznaKODSemestrGodzinyECTSWagaZaliczenie
wykładyW5 15 0,90,62zaliczenie
laboratoriaL5 15 1,10,38zaliczenie

Wymagania wstępne

KODWymaganie wstępne
W-1Podstawowa wiedza z zakresu matematyki wyższej nabyta na 1-szym i 2-m roku studiów.

Cele przedmiotu

dla tego przedmiotu nie są określone cele przedmiotu

Treści programowe z podziałem na formy zajęć

KODTreść programowaGodziny
laboratoria
T-L-1Wprowadzenie w tematykę sieci neuronowych. Perceptron binarny. Struktura oraz znaczenie jego parametrów. Algorytm strojenia zilustrowany przykładem obliczeniowym, zrealizowanym dla pojedyńczego perceptronu z dwoma wejściami. Punkt separacji neuronu. Możliwości oraz ograniczenia związane z zastosowaniem perceptronu binarnego: pojedyńczego, sieci jednowarstwowej złożonej z kilku jednostek oraz sieci dwuwarstwowej. Omówienie sposobu implementacji perceptronu binarnego zastosowanego w Matlabie oraz jej zastosowanie w celu wizualizacji procesu uczenia pojedyńczego elementu perceptronowego. Zastosowanie sieci złożonej z kilku neuronów do problemu klasyfikacji irysów (zbiór próbek z repozytorium UCI).2
T-L-2Sieć perceptronowa wielowarstwowa a problem aproksymacji. Przykład wykorzystania implementacji Matlab'a sieci do aproksymacji funkcji jednej zmiennej.Topologia sieci a problem przeuczenia. Metody zapobiegania.2
T-L-3Sieć perceptronowa wielowarstwowa a problem klasyfikacji. Przykład wykorzystania implementacji Matlab'a sieci do identyfikacji osób (studentów) na podstawie ich próbek głosowych. Metody weryfikacji jakości działania sieci neuronowej.2
T-L-4Algorytm wstecznej propagacji błędu2
T-L-5Uczenie nadzorowane oraz nienadzorowane. Samorganizujące sieci Kohonena. Możliwości stosowalności - przykłady.2
T-L-6Implementacja algorytmu gazu neuronowego. Porównanie z algorytmem Kohonena. Weryfikacja sieci samorganizujących na problemie klasyfikacji osób.3
T-L-7Sieci neuronowe ze sprzężeniem zwrotnym. Sieć Hopfielda. Zastosowanie dwukierunkowej pamięci asocjacyjnej (BAM) do rozpoznawania (odtwarzania) znaków.2
15
wykłady
T-W-1Wprowadzenie w tematykę sieci neuronowych. Naturalne sieci neuronowe i zachodzace w nich procesy uczenia oraz zapominania. Struktura i elementy sztucznych sieci neuronowych (SSN). Sieci jednokierunkowe i sieci ze sprzeżeniami zwrotnymi. Przeznaczenie poszczególnych rodzajów sieci. Budowa naturalnego i sztucznego neuronu perceptronowego. Model neuronu perceptronowego i znaczenie jego parametrów. Punkt separacji neuronu. Przykład praktycznego zastosowania neuronu z jednym wejściem.2
T-W-2Neuron perceptronowy z dwoma sygnałami wejsciowymi. Ogólne znaczenie współczynników neuronu. Separacja klas dokonywana przez neuron i prosta separacji. Dobór wartości współczynników neuronu w zadaniu oceny kandydatów na współudziałowca firmy. Prosta separacji klas a powierzchnia aktywizacji neuronu. Przykład problemu wymagajacego więcej niż jedna prosta separacji. SSN realizujaca kilka prostych separacji jednocześnie. Problemy klasyfikacyjne i funkcyjne. Dostosowanie sieci klasyfikacyjnej do zadania funkcyjnego. Zastosowanie SSN do rozpoznawania liter i twarzy.2
T-W-3Pojęcie nadzorowanego i nienadzorowanego uczenia sieci. Przykład zastosowania SSN do oceny wiarygodności kredytowej klientów banku. Przykład zastosowania SSN do prognozowania cen akcji giełdowych Amerbanku, do prognozowania kursów walut. Konieczność testowania sieci. Praktyczna dokładność prognozowania przez sieci.2
T-W-4Automatyczne,nadzorowane uczenie sieci z użyciem metody wstecznej propagacji błędu. Przykład zastosowania sieci do oceny wartości budynków mieszkalnych w Kalifornii.2
T-W-5Praktyczne aspekty uczenia sieci. Uczenie SSN próbkami o małym i dużym błędzie pomiarowym - okreslanie rozsadnej granicy uczenia. Podział zbioru próbek na zbiór uczacy i testujacy i związane z tym problemy. Problem nieregularnego rozkładu próbek uczących w przestrzeni zmiennych. Strefy interpolacyjne, ekstrapolacyjne i mieszane. Prawodłowe uczenie sieci oraz zjawisko ich niedouczenia badż przeuczenia. Przyczyny tych zjawisk i ich rozpoznawanie. Przykład zastosowania SSN do wykrywania złośliwego nowotworu piersi kobiet.2
T-W-6Nienadzorowane uczenie sieci neuronowych. Przykłady problemów rzeczywistych które można rozwiązać z użyciem uczenia nienadzorowanego. Problem identyfikacji rocznika wina. Problem wykrywania województw podobnych. Problem wykrywania klas klientów kupujacych dany produkt. Problem klasyfikacji istot na obcej planecie. Wstęp do samorganizujacych sie sieci Kohonena.2
T-W-7Budowa sieci Kohonena. Neurony wygrywające i przegrywajace. Zastosowanie sieci Kohonena do identyfikacji koloru światła. Przykład zastosownai sieci Kohonena do diagnozowania "zdrowia" przedsiebiorstw.Jedno i 2-wymiarowa sieć Kohonena. Ocena stanu przedsiębiorstwa przez 2-wymiarową siec Kohonena. Zastosowanie sieci Kohonena do rozpoznawania kształtu figur geometrycznych.3
15

Obciążenie pracą studenta - formy aktywności

KODForma aktywnościGodziny
laboratoria
A-L-1uczestnictwo w zajęciach15
A-L-2Przygotowanie do zajęć5
A-L-3Realizacja prac domowych: 1 sprawozdanie, 5 zadań programistycznych zrealizowanych w Matlabie.8
A-L-4Konsultacje2
30
wykłady
A-W-1Udział w wykładzie15
A-W-2Udział w konsultacjach i zaliczeniu2
A-W-3Przygotowanie się do zaliczenia wykładu8
25

Metody nauczania / narzędzia dydaktyczne

dla tego przedmiotu nie są określone metody nauczania ani narzędzia dydaktyczne

Sposoby oceny

KODSposób oceny
S-1Ocena formująca: Sieci neuronowe i ich zastosowania - wykład ocena aktywności dyskusyjnej nad problemami poruszanymi podczas wykładu
S-2Ocena podsumowująca: Sieci neuronowe i ich zastosowania - wykład sprawdzian końcowy dotyczacy wiedzy przekazywanej poczas wykładu oraz umiejętności rozwiązywania zadań podobnych do omawianych podczas wykładu a także rozwiązywanych na zajęciach laboratoryjnych
S-3Ocena formująca: Sieci neuronowe i ich zastosowania - laboratorium Ocena aktywności studenta w rozwiązywaniu zadań zleconych przez prowadzącego i na podstawie prowadzonych dyskusji oraz wypowiedzi i odpowiedzi na pytania zwiazane z materiałem wykładowym.
S-4Ocena podsumowująca: Sieci neuronowe i ich zastosowania- laboratorium Realizacja zadania domowego zleconego przez prowadzącego zajęcia lub sprawdzian polegajacy na rozwiazaniu zadań zleconych przez prowadzącego.

Zamierzone efekty kształcenia - wiedza

Zamierzone efekty kształceniaOdniesienie do efektów kształcenia dla kierunku studiówOdniesienie do efektów zdefiniowanych dla obszaru kształceniaOdniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżynieraCel przedmiotuTreści programoweMetody nauczaniaSposób oceny
I_1A_O/1/5_W01
W wyniku zajęć student uzyskuje wiedzę o ogólnej budowie, działaniu i rodzajach sztucznych sieci neuronowych (SSN), o praktycznym znaczeniu współczynników wagowych i progowych, o metodach uczenia sieci, o metodach testowania sieci i o specjalnych zjawiskach, które mogą wystepować w praktycznych, specyficznych zastosowaniach sieci. Student uzyskuje też wiedzę o szeregu praktycznych zastosowań SSN do rozwiązywania problemów ekonomicznych, technicznych, medycznych i innych, oraz o specyficznych trudnościach jakie mogą występować w problemach rzeczywistych. Uzyskuje wiedzę o tym jak patrzeć na problem rzeczywisty z punktu widzenia zastosowania SSN do jego rozwiązania.
I_1A_W12, I_1A_W16T1A_W03, T1A_W04, T1A_W08, T1A_W10, T1A_W11InzA_W01, InzA_W03, InzA_W05S-1, S-2

Zamierzone efekty kształcenia - umiejętności

Zamierzone efekty kształceniaOdniesienie do efektów kształcenia dla kierunku studiówOdniesienie do efektów zdefiniowanych dla obszaru kształceniaOdniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżynieraCel przedmiotuTreści programoweMetody nauczaniaSposób oceny
I_1A_O/1/5_U01
W wyniku zajęć student powinien posiadać umiejętność sformułowania rozwiązywanego problemu w sposób nadajacy się do użycia SSN, umiejętność określenia potrzebnego zbioru próbek i ich podziału na zbiór uczacy i testujacy w celu umożliwienia użycia sieci do rozwiązania problemu. Powinien także posiadać umiejetność posługiwania się profesjonalnymi programami sieci neuronowych do rozwiązywania problemów rzeczywistych i do oceny jakości tych rozwiązań.
I_1A_U12, I_1A_U15, I_1A_U16, I_1A_U17T1A_U01, T1A_U07, T1A_U08, T1A_U09, T1A_U11, T1A_U13, T1A_U14, T1A_U15, T1A_U16InzA_U01, InzA_U02, InzA_U04, InzA_U05, InzA_U06, InzA_U07, InzA_U08S-4, S-3

Kryterium oceny - wiedza

Efekt kształceniaOcenaKryterium oceny
I_1A_O/1/5_W01
W wyniku zajęć student uzyskuje wiedzę o ogólnej budowie, działaniu i rodzajach sztucznych sieci neuronowych (SSN), o praktycznym znaczeniu współczynników wagowych i progowych, o metodach uczenia sieci, o metodach testowania sieci i o specjalnych zjawiskach, które mogą wystepować w praktycznych, specyficznych zastosowaniach sieci. Student uzyskuje też wiedzę o szeregu praktycznych zastosowań SSN do rozwiązywania problemów ekonomicznych, technicznych, medycznych i innych, oraz o specyficznych trudnościach jakie mogą występować w problemach rzeczywistych. Uzyskuje wiedzę o tym jak patrzeć na problem rzeczywisty z punktu widzenia zastosowania SSN do jego rozwiązania.
2,0
3,0Student posiada dostateczna wiedzę o budowie, sposobach uczenia, testowania dokładności i zakresie stosowania sieci neuronowych.
3,5
4,0
4,5
5,0

Kryterium oceny - umiejętności

Efekt kształceniaOcenaKryterium oceny
I_1A_O/1/5_U01
W wyniku zajęć student powinien posiadać umiejętność sformułowania rozwiązywanego problemu w sposób nadajacy się do użycia SSN, umiejętność określenia potrzebnego zbioru próbek i ich podziału na zbiór uczacy i testujacy w celu umożliwienia użycia sieci do rozwiązania problemu. Powinien także posiadać umiejetność posługiwania się profesjonalnymi programami sieci neuronowych do rozwiązywania problemów rzeczywistych i do oceny jakości tych rozwiązań.
2,0
3,0Student posiada dostateczna umiejętność stwierdzenia czy dany problem może być rozwiazany z użyciem sieci neuronowych i rozwiązania tego problemu z użyciem komputerowego programu sieci neuronowej.
3,5
4,0
4,5
5,0

Literatura podstawowa

  1. Tadeusiewicz Ryszard, Elemntarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1998
  2. Tadeusiewicz Ryszard, Odkrywanie właściwości sieci neuronowych, Polska Akademia Umiejętności, Kraków, 2007
  3. Tymothy Masters, Sieci neuronowe w praktyce (Programowanie w języku C++), Wydawnictwo-Naukowo-Techniczne, Warszawa, 1996

Literatura dodatkowa

  1. D. Rutkowska, M. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte., Wydawnictwo Naukowe PWN, Warszawa-Łódż, 1997
  2. Korbicz Józef i inni, Sztuczne sieci neuronowe, podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994

Treści programowe - laboratoria

KODTreść programowaGodziny
T-L-1Wprowadzenie w tematykę sieci neuronowych. Perceptron binarny. Struktura oraz znaczenie jego parametrów. Algorytm strojenia zilustrowany przykładem obliczeniowym, zrealizowanym dla pojedyńczego perceptronu z dwoma wejściami. Punkt separacji neuronu. Możliwości oraz ograniczenia związane z zastosowaniem perceptronu binarnego: pojedyńczego, sieci jednowarstwowej złożonej z kilku jednostek oraz sieci dwuwarstwowej. Omówienie sposobu implementacji perceptronu binarnego zastosowanego w Matlabie oraz jej zastosowanie w celu wizualizacji procesu uczenia pojedyńczego elementu perceptronowego. Zastosowanie sieci złożonej z kilku neuronów do problemu klasyfikacji irysów (zbiór próbek z repozytorium UCI).2
T-L-2Sieć perceptronowa wielowarstwowa a problem aproksymacji. Przykład wykorzystania implementacji Matlab'a sieci do aproksymacji funkcji jednej zmiennej.Topologia sieci a problem przeuczenia. Metody zapobiegania.2
T-L-3Sieć perceptronowa wielowarstwowa a problem klasyfikacji. Przykład wykorzystania implementacji Matlab'a sieci do identyfikacji osób (studentów) na podstawie ich próbek głosowych. Metody weryfikacji jakości działania sieci neuronowej.2
T-L-4Algorytm wstecznej propagacji błędu2
T-L-5Uczenie nadzorowane oraz nienadzorowane. Samorganizujące sieci Kohonena. Możliwości stosowalności - przykłady.2
T-L-6Implementacja algorytmu gazu neuronowego. Porównanie z algorytmem Kohonena. Weryfikacja sieci samorganizujących na problemie klasyfikacji osób.3
T-L-7Sieci neuronowe ze sprzężeniem zwrotnym. Sieć Hopfielda. Zastosowanie dwukierunkowej pamięci asocjacyjnej (BAM) do rozpoznawania (odtwarzania) znaków.2
15

Treści programowe - wykłady

KODTreść programowaGodziny
T-W-1Wprowadzenie w tematykę sieci neuronowych. Naturalne sieci neuronowe i zachodzace w nich procesy uczenia oraz zapominania. Struktura i elementy sztucznych sieci neuronowych (SSN). Sieci jednokierunkowe i sieci ze sprzeżeniami zwrotnymi. Przeznaczenie poszczególnych rodzajów sieci. Budowa naturalnego i sztucznego neuronu perceptronowego. Model neuronu perceptronowego i znaczenie jego parametrów. Punkt separacji neuronu. Przykład praktycznego zastosowania neuronu z jednym wejściem.2
T-W-2Neuron perceptronowy z dwoma sygnałami wejsciowymi. Ogólne znaczenie współczynników neuronu. Separacja klas dokonywana przez neuron i prosta separacji. Dobór wartości współczynników neuronu w zadaniu oceny kandydatów na współudziałowca firmy. Prosta separacji klas a powierzchnia aktywizacji neuronu. Przykład problemu wymagajacego więcej niż jedna prosta separacji. SSN realizujaca kilka prostych separacji jednocześnie. Problemy klasyfikacyjne i funkcyjne. Dostosowanie sieci klasyfikacyjnej do zadania funkcyjnego. Zastosowanie SSN do rozpoznawania liter i twarzy.2
T-W-3Pojęcie nadzorowanego i nienadzorowanego uczenia sieci. Przykład zastosowania SSN do oceny wiarygodności kredytowej klientów banku. Przykład zastosowania SSN do prognozowania cen akcji giełdowych Amerbanku, do prognozowania kursów walut. Konieczność testowania sieci. Praktyczna dokładność prognozowania przez sieci.2
T-W-4Automatyczne,nadzorowane uczenie sieci z użyciem metody wstecznej propagacji błędu. Przykład zastosowania sieci do oceny wartości budynków mieszkalnych w Kalifornii.2
T-W-5Praktyczne aspekty uczenia sieci. Uczenie SSN próbkami o małym i dużym błędzie pomiarowym - okreslanie rozsadnej granicy uczenia. Podział zbioru próbek na zbiór uczacy i testujacy i związane z tym problemy. Problem nieregularnego rozkładu próbek uczących w przestrzeni zmiennych. Strefy interpolacyjne, ekstrapolacyjne i mieszane. Prawodłowe uczenie sieci oraz zjawisko ich niedouczenia badż przeuczenia. Przyczyny tych zjawisk i ich rozpoznawanie. Przykład zastosowania SSN do wykrywania złośliwego nowotworu piersi kobiet.2
T-W-6Nienadzorowane uczenie sieci neuronowych. Przykłady problemów rzeczywistych które można rozwiązać z użyciem uczenia nienadzorowanego. Problem identyfikacji rocznika wina. Problem wykrywania województw podobnych. Problem wykrywania klas klientów kupujacych dany produkt. Problem klasyfikacji istot na obcej planecie. Wstęp do samorganizujacych sie sieci Kohonena.2
T-W-7Budowa sieci Kohonena. Neurony wygrywające i przegrywajace. Zastosowanie sieci Kohonena do identyfikacji koloru światła. Przykład zastosownai sieci Kohonena do diagnozowania "zdrowia" przedsiebiorstw.Jedno i 2-wymiarowa sieć Kohonena. Ocena stanu przedsiębiorstwa przez 2-wymiarową siec Kohonena. Zastosowanie sieci Kohonena do rozpoznawania kształtu figur geometrycznych.3
15

Formy aktywności - laboratoria

KODForma aktywnościGodziny
A-L-1uczestnictwo w zajęciach15
A-L-2Przygotowanie do zajęć5
A-L-3Realizacja prac domowych: 1 sprawozdanie, 5 zadań programistycznych zrealizowanych w Matlabie.8
A-L-4Konsultacje2
30
(*) 1 punkt ECTS, odpowiada około 30 godzinom aktywności studenta

Formy aktywności - wykłady

KODForma aktywnościGodziny
A-W-1Udział w wykładzie15
A-W-2Udział w konsultacjach i zaliczeniu2
A-W-3Przygotowanie się do zaliczenia wykładu8
25
(*) 1 punkt ECTS, odpowiada około 30 godzinom aktywności studenta
PoleKODZnaczenie kodu
Zamierzone efekty kształceniaI_1A_O/1/5_W01W wyniku zajęć student uzyskuje wiedzę o ogólnej budowie, działaniu i rodzajach sztucznych sieci neuronowych (SSN), o praktycznym znaczeniu współczynników wagowych i progowych, o metodach uczenia sieci, o metodach testowania sieci i o specjalnych zjawiskach, które mogą wystepować w praktycznych, specyficznych zastosowaniach sieci. Student uzyskuje też wiedzę o szeregu praktycznych zastosowań SSN do rozwiązywania problemów ekonomicznych, technicznych, medycznych i innych, oraz o specyficznych trudnościach jakie mogą występować w problemach rzeczywistych. Uzyskuje wiedzę o tym jak patrzeć na problem rzeczywisty z punktu widzenia zastosowania SSN do jego rozwiązania.
Odniesienie do efektów kształcenia dla kierunku studiówI_1A_W12ma podstawową wiedzę dotyczącą metod sztucznej inteligencji
I_1A_W16ma wiedzę dotyczącą możliwości zastosowania informatyki w różnych dziedzinach aktywności ludzkiej (np. w przemyśle, zarządzaniu i medycynie)
Odniesienie do efektów zdefiniowanych dla obszaru kształceniaT1A_W03ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną obejmującą kluczowe zagadnienia z zakresu studiowanego kierunku studiów
T1A_W04ma szczegółową wiedzę związaną z wybranymi zagadnieniami z zakresu studiowanego kierunku studiów
T1A_W08ma podstawową wiedzę niezbędną do rozumienia społecznych, ekonomicznych, prawnych i innych pozatechnicznych uwarunkowań działalności inżynierskiej
T1A_W10zna i rozumie podstawowe pojęcia i zasady z zakresu ochrony własności przemysłowej i prawa autorskiego; umie korzystać z zasobów informacji patentowej
T1A_W11zna ogólne zasady tworzenia i rozwoju form indywidualnej przedsiębiorczości, wykorzystującej wiedzę z zakresu dziedzin nauki i dyscyplin naukowych, właściwych dla studiowanego kierunku studiów
Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżynieraInzA_W01ma podstawową wiedzę o cyklu życia urządzeń, obiektów i systemów technicznych
InzA_W03ma podstawową wiedzę niezbędną do rozumienia społecznych, ekonomicznych, prawnych i innych uwarunkowań działalności inżynierskiej
InzA_W05zna typowe technologie inżynierskie w zakresie studiowanego kierunku studiów
Sposób ocenyS-1Ocena formująca: Sieci neuronowe i ich zastosowania - wykład ocena aktywności dyskusyjnej nad problemami poruszanymi podczas wykładu
S-2Ocena podsumowująca: Sieci neuronowe i ich zastosowania - wykład sprawdzian końcowy dotyczacy wiedzy przekazywanej poczas wykładu oraz umiejętności rozwiązywania zadań podobnych do omawianych podczas wykładu a także rozwiązywanych na zajęciach laboratoryjnych
Kryteria ocenyOcenaKryterium oceny
2,0
3,0Student posiada dostateczna wiedzę o budowie, sposobach uczenia, testowania dokładności i zakresie stosowania sieci neuronowych.
3,5
4,0
4,5
5,0
PoleKODZnaczenie kodu
Zamierzone efekty kształceniaI_1A_O/1/5_U01W wyniku zajęć student powinien posiadać umiejętność sformułowania rozwiązywanego problemu w sposób nadajacy się do użycia SSN, umiejętność określenia potrzebnego zbioru próbek i ich podziału na zbiór uczacy i testujacy w celu umożliwienia użycia sieci do rozwiązania problemu. Powinien także posiadać umiejetność posługiwania się profesjonalnymi programami sieci neuronowych do rozwiązywania problemów rzeczywistych i do oceny jakości tych rozwiązań.
Odniesienie do efektów kształcenia dla kierunku studiówI_1A_U12umie praktycznie zastosować technologie informatyczne w organizacjach, ze szczególnym uwzględnieniem biznesu
I_1A_U15potrafi wykorzystywać poznane metody, modele matematyczne oraz symulacje komputerowe do rozwiązywania prostych problemów inżynierskich
I_1A_U16ma umiejętność wykrywania związków i zależności w procesach zachodzących w systemach rzeczywistych i tworzenia modeli komputerowych
I_1A_U17potrafi ocenić przydatność rutynowych metod i narzędzi rozwiązania prostego zadania inżynierskiego, typowego dla reprezentowanej dyscypliny inżynierskiej oraz wybrać i zastosować właściwą metodę i narzędzia
Odniesienie do efektów zdefiniowanych dla obszaru kształceniaT1A_U01potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, także w języku angielskim lub innym języku obcym uznawanym za język komunikacji międzynarodowej w zakresie studiowanego kierunku studiów; potrafi integrować uzyskane informacje, dokonywać ich interpretacji, a także wyciągać wnioski oraz formułować i uzasadniać opinie
T1A_U07potrafi posługiwać się technikami informacyjno-komunikacyjnymi właściwymi do realizacji zadań typowych dla działalności inżynierskiej
T1A_U08potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski
T1A_U09potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich metody analityczne, symulacyjne oraz eksperymentalne
T1A_U11ma przygotowanie niezbędne do pracy w środowisku przemysłowym oraz zna zasady bezpieczeństwa związane z tą pracą
T1A_U13potrafi dokonać krytycznej analizy sposobu funkcjonowania i ocenić - zwłaszcza w powiązaniu ze studiowanym kierunkiem studiów - istniejące rozwiązania techniczne, w szczególności urządzenia, obiekty, systemy, procesy, usługi
T1A_U14potrafi dokonać identyfikacji i sformułować specyfikację prostych zadań inżynierskich o charakterze praktycznym, charakterystycznych dla studiowanego kierunku studiów
T1A_U15potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania prostego zadania inżynierskiego o charakterze praktycznym, charakterystycznego dla studiowanego kierunku studiów oraz wybrać i zastosować właściwą metodę i narzędzia
T1A_U16potrafi - zgodnie z zadaną specyfikacją - zaprojektować oraz zrealizować proste urządzenie, obiekt, system lub proces, typowe dla studiowanego kierunku studiów, używając właściwych metod, technik i narzędzi
Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżynieraInzA_U01potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski
InzA_U02potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich metody analityczne, symulacyjne oraz eksperymentalne
InzA_U04potrafi dokonać wstępnej analizy ekonomicznej podejmowanych działań inżynierskich
InzA_U05potrafi dokonać krytycznej analizy sposobu funkcjonowania i ocenić - zwłaszcza w powiązaniu ze studiowanym kierunkiem studiów - istniejące rozwiązania techniczne, w szczególności urządzenia, obiekty, systemy, procesy, usługi
InzA_U06potrafi dokonać identyfikacji i sformułować specyfikację prostych zadań inżynierskich o charakterze praktycznym, charakterystycznych dla studiowanego kierunku studiów
InzA_U07potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania prostego zadania inżynierskiego o charakterze praktycznym, charakterystycznego dla studiowanego kierunku studiów oraz wybrać i zastosować właściwą metodę i narzędzia
InzA_U08potrafi - zgodnie z zadaną specyfikacją - zaprojektować proste urządzenie, obiekt, system lub proces, typowe dla studiowanego kierunku studiów, używając właściwych metod, technik i narzędzi
Sposób ocenyS-4Ocena podsumowująca: Sieci neuronowe i ich zastosowania- laboratorium Realizacja zadania domowego zleconego przez prowadzącego zajęcia lub sprawdzian polegajacy na rozwiazaniu zadań zleconych przez prowadzącego.
S-3Ocena formująca: Sieci neuronowe i ich zastosowania - laboratorium Ocena aktywności studenta w rozwiązywaniu zadań zleconych przez prowadzącego i na podstawie prowadzonych dyskusji oraz wypowiedzi i odpowiedzi na pytania zwiazane z materiałem wykładowym.
Kryteria ocenyOcenaKryterium oceny
2,0
3,0Student posiada dostateczna umiejętność stwierdzenia czy dany problem może być rozwiazany z użyciem sieci neuronowych i rozwiązania tego problemu z użyciem komputerowego programu sieci neuronowej.
3,5
4,0
4,5
5,0