Wydział Informatyki - Informatyka (N1)
Sylabus przedmiotu Sieci neuronowe i ich zastosowania - Przedmiot obieralny II:
Informacje podstawowe
| Kierunek studiów | Informatyka | ||
|---|---|---|---|
| Forma studiów | studia niestacjonarne | Poziom | pierwszego stopnia |
| Tytuł zawodowy absolwenta | inżynier | ||
| Obszary studiów | nauki techniczne, studia inżynierskie | ||
| Profil | ogólnoakademicki | ||
| Moduł | — | ||
| Przedmiot | Sieci neuronowe i ich zastosowania - Przedmiot obieralny II | ||
| 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>, Marcin Pluciński <Marcin.Plucinski@zut.edu.pl>, Wojciech Sałabun <wsalabun@wi.zut.edu.pl>, Karina Tomaszewska <Karina.Tomaszewska@zut.edu.pl> | ||
| ECTS (planowane) | 2,0 | ECTS (formy) | 2,0 |
| Forma zaliczenia | zaliczenie | Język | polski |
| Blok obieralny | 5 | Grupa obieralna | 3 |
Formy dydaktyczne
Wymagania wstępne
| KOD | Wymaganie wstępne |
|---|---|
| W-1 | Podstawowa wiedza z zakresu matematyki wyższej nabyta na 1-szym i 2-m roku studiów. |
Cele przedmiotu
dla tego przedmiotu nie są określone cele przedmiotuTreści programowe z podziałem na formy zajęć
| KOD | Treść programowa | Godziny |
|---|---|---|
| laboratoria | ||
| T-L-1 | Wprowadzenie 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). | 1 |
| T-L-2 | Sieć perceptronowa wielowarstwowa a problem aproksymacji. Przykład wykorzystania implementacji Matlab'a sieci do aproksymacji funkcji jednej zmiennej.Topologia sieci a problem przeuczenia. Metody zapobiegania. | 1 |
| T-L-3 | Sieć 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-4 | Algorytm wstecznej propagacji błędu | 2 |
| T-L-5 | Uczenie nadzorowane oraz nienadzorowane. Samorganizujące sieci Kohonena. Możliwości stosowalności - przykłady. | 2 |
| T-L-6 | Implementacja algorytmu gazu neuronowego. Porównanie z algorytmem Kohonena. Weryfikacja sieci samorganizujących na problemie klasyfikacji osób. | 1 |
| T-L-7 | Sieci neuronowe ze sprzężeniem zwrotnym. Sieć Hopfielda. Zastosowanie dwukierunkowej pamięci asocjacyjnej (BAM) do rozpoznawania (odtwarzania) znaków. | 1 |
| 10 | ||
| wykłady | ||
| T-W-1 | Wprowadzenie 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. | 1 |
| T-W-2 | Neuron 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. | 1 |
| T-W-3 | Pojęcie 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. | 1 |
| T-W-4 | Automatyczne,nadzorowane uczenie sieci z użyciem metody wstecznej propagacji błędu. Przykład zastosowania sieci do oceny wartości budynków mieszkalnych w Kalifornii. | 1 |
| T-W-5 | Praktyczne 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-6 | Nienadzorowane 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-7 | Budowa 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. | 2 |
| 10 | ||
Obciążenie pracą studenta - formy aktywności
| KOD | Forma aktywności | Godziny |
|---|---|---|
| laboratoria | ||
| A-L-1 | uczestnictwo w zajęciach | 10 |
| A-L-2 | Przygotowanie do zajęć | 10 |
| A-L-3 | Realizacja prac domowych: 1 sprawozdanie, 5 zadań programistycznych zrealizowanych w Matlabie. | 10 |
| A-L-4 | Konsultacje | 2 |
| 32 | ||
| wykłady | ||
| A-W-1 | Uczestnictwo w wykładach | 10 |
| A-W-2 | Konsultacje i egzaminy | 3 |
| A-W-3 | Przygotowanie do egzaminu/zaliczenia | 7 |
| A-W-4 | Studia literatury | 7 |
| 27 | ||
Metody nauczania / narzędzia dydaktyczne
dla tego przedmiotu nie są określone metody nauczania ani narzędzia dydaktyczneSposoby oceny
| KOD | Sposób oceny |
|---|---|
| S-1 | Ocena formująca: Sieci neuronowe i ich zastosowania - wykład ocena aktywności dyskusyjnej nad problemami poruszanymi podczas wykładu |
| S-2 | Ocena 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-3 | Ocena 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-4 | Ocena 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 kształcenia | Odniesienie do efektów kształcenia dla kierunku studiów | Odniesienie do efektów zdefiniowanych dla obszaru kształcenia | Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera | Cel przedmiotu | Treści programowe | Metody nauczania | Sposób 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_W16 | — | — | — | — | — | — |
Zamierzone efekty kształcenia - umiejętności
| Zamierzone efekty kształcenia | Odniesienie do efektów kształcenia dla kierunku studiów | Odniesienie do efektów zdefiniowanych dla obszaru kształcenia | Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera | Cel przedmiotu | Treści programowe | Metody nauczania | Sposób 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_U17, I_1A_U12, I_1A_U15, I_1A_U16 | — | — | — | — | — | S-4, S-3 |
Kryterium oceny - wiedza
| Efekt kształcenia | Ocena | Kryterium 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 | |
| 3,0 | Student 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 kształcenia | Ocena | Kryterium 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 | |
| 3,0 | Student 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
- Tadeusiewicz Ryszard, Elemntarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1998
- Tadeusiewicz Ryszard, Odkrywanie właściwości sieci neuronowych, Polska Akademia Umiejętności, Kraków, 2007
- Tymothy Masters, Sieci neuronowe w praktyce (Programowanie w języku C++), Wydawnictwo-Naukowo-Techniczne, Warszawa, 1996
Literatura dodatkowa
- D. Rutkowska, M. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte., Wydawnictwo Naukowe PWN, Warszawa-Łódż, 1997
- Korbicz Józef i inni, Sztuczne sieci neuronowe, podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994