Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Sieci neuronowe
Koordynator przedmiotu:
Dr inż. Cezary Rzymkowski
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Energetyka
Grupa przedmiotów:
Specjalnościowe
Kod przedmiotu:
NK385
Semestr nominalny:
2 / rok ak. 2011/2012
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. Liczba godzin kontaktowych: 35, w tym:<br /> a) wykład – 30 godz.,<br /> b) konsultacje – 5 godz.<br /> 2. Praca własna studenta – 40 godzin, w tym:<br /> a) realizacja pracy domowej, polegającej na przeprowadzeniu procesu modelowania statycznego sieci neuronowej przy pomocy wybranego pakietu obliczeniowego (np. MATLAB, STATISTICA, NeuroLab), analizy skuteczności algorytmów trenujących, zdolności aproksymacji oraz interpolacji zaprojektowanej sieci neuronowej – 25 godz.,<br /> b) przygotowywanie się do testu zaliczeniowego – 15 godz.<br /><br /> Razem: 75 godzin – 3 punkty ECTS.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1,4 punktu ECTS - 35 godzin kontaktowych, w tym:<br /> a) wykład – 30 godz.,<br /> b) konsultacje – 15 godz.
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1 punkt ECTS – 25 godzin, w tym:<br /> a) realizacja pracy domowej, polegającej na przeprowadzeniu procesu modelowania statycznego sieci neuronowej przy pomocy wybranego pakietu obliczeniowego (np. MATLAB, STATISTICA, NeuroLab), analizy skuteczności algorytmów trenujących, zdolności aproksymacji oraz interpolacji zaprojektowanej sieci neuronowej – 25 godzin.
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
1. Znajomość analizy matematycznej w zakresie wykładanym na wcześniejszych latach studiów.<br /> 2. Posiadanie podstawowej wiedzy i umiejętności w zakresie metod numerycznych i języków programowania.
Limit liczby studentów:
72
Cel przedmiotu:
1. Zapoznanie studentów z istotnymi cechami sztucznych sieci neuronowych, z podstawami algorytmów wykorzystywanych w dziedzinie sztucznych sieci neuronowych oraz z przykładami zastosowań praktycznych ze wskazaniem zalet i ograniczeń. <br /> 2. Przygotowanie do samodzielnego formułowania i rozwiązywania zagadnień z wykorzystaniem sieci neuronowych.
Treści kształcenia:
<b>Wykłady</b><br /> • Wprowadzenie — podstawowe idee, historia, podstawowe zastosowania.<br /> • Opis neuronu, podstawowe charakterystyki. Struktury sieci neuronowych – sieci statyczne i dynamiczne.<br /> • Zastosowanie sieci neuronowych w modelowaniu statycznym oraz dynamicznym. Systemy typu black-box oraz gray-box. Zastosowanie sieci do kategoryzacji oraz wizualizacji.<br /> • Zasady i algorytmy procesu uczenia sieci.<br /> • Zasady doboru danych wejściowych, normalizacja danych, dobór modelu sieci.<br /> • Przykłady zastosowań — agregacja (klasteryzacja) informacji, analiza (rozpoznawanie) obrazów, układy decyzyjne, układy sterowania.
Metody oceny:
Ocenie podlega praca domowa (30% oceny końcowej) oraz test zaliczeniowy (70% oceny końcowej).
Egzamin:
nie
Literatura:
1. R. Tadeusiewicz, T. Gąciarz, B. Borowik i B. Leper, Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#, Polska Akademia Umiejętności, 2007.<br /> 2. G. Dreyfus, Neural Networks: Methodology and Applications, Springer, 2005.<br /> 3. C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.<br /> 4. R. A. Kosinski, Sztuczne sieci neuronowe: dynamika nieliniowa i chaos, WNT, 2009.<br /> 2. M. Nørgaard, O. Ravn, N.K. Poulsen i L.K. Hansen, Neural Networks for Modelling and Control of Dynamic Systems, Springer, 2003.
Witryna www przedmiotu:
http://ztmir.meil.pw.edu.pl/index.php?/pol/content/view/full/350
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt NK385_W1
Zna podstawowe idee i zasady wykorzystywane przy tworzeniu sztucznych sieci neuronowych.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_W01, E2_W03
Powiązane efekty obszarowe: T2A_W01, T2A_W01
Efekt NK385_W2
Zna zasady budowy liniowych i nieliniowych (w tym wielowarstwowych) sztucznych sieci jednokierunkowych.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_W01, E2_W03
Powiązane efekty obszarowe: T2A_W01, T2A_W01
Efekt NK385_W3
Zna zasady budowy i działania sztucznych sieci neuronowych ze sprzężeniami zwrotnymi.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_W01, E2_W03
Powiązane efekty obszarowe: T2A_W01, T2A_W01
Efekt NK385_W4
Zna zasady i algorytmy procesu uczenia sieci różnych typów.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_W01, E2_W03
Powiązane efekty obszarowe: T2A_W01, T2A_W01
Efekt NK385_W5
Posiada podstawową wiedzę o metodach doboru danych wejściowych do modelu, struktury modelu oraz algorytmach weryfikacji modelu.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_W01, E2_W03
Powiązane efekty obszarowe: T2A_W01, T2A_W01
Efekt NK385_W6
Posiada podstawową wiedzę o obszarach możliwych zastosowań sztucznych sieci neuronowych, w tym w układach sterowania.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_W01, E2_W03
Powiązane efekty obszarowe: T2A_W01, T2A_W01

Profil ogólnoakademicki - umiejętności

Efekt NK385_U1
Potrafi wskazać zadania techniczne, do rozwiązania których wskazane jest użycie sieci neuronowych.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_U09, E2_U21
Powiązane efekty obszarowe: T2A_U09, T2A_U17
Efekt NK385_U2
Potrafi zaproponować algorytm uczenia dla prostej sieci oraz ocenić jego skuteczność.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe: E2_U09, E2_U21
Powiązane efekty obszarowe: T2A_U09, T2A_U17
Efekt NK385_U3
Potrafi przeprowadzić proces modelowania statycznego sieci neuronowej przy pomocy pakietu obliczeniowego.
Weryfikacja: Praca domowa
Powiązane efekty kierunkowe: E2_U09, E2_U21, E2_U24
Powiązane efekty obszarowe: T2A_U09, T2A_U17, T2A_U18, T2A_U19
Efekt NK385_U4
Posiada umiejętność wyszukiwania informacji niezbędnych do zaprojektowania właściwej dla danego zadania struktury.
Weryfikacja: Praca domowa
Powiązane efekty kierunkowe: E2_U01
Powiązane efekty obszarowe: T2A_U01