Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych

Transkrypt

1 Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika

2 Koncepcja kursu Koncepcja Kursu Koncepcja przedmiotu Wykorzystane narzędzia i materiały Przedmiot Wstęp do sieci neuronowych, Przedmiot do wyboru dla studiów informatyki drugiego stopnia WMiI UMK, 30h wykład + 30h laboratoria, Przedmiot uczony stacjonarnie z wykorzystaniem środków ICT.

3 Łącznie Koncepcja Kursu Koncepcja przedmiotu Wykorzystane narzędzia i materiały 12 wykładów + 5 zajęć laboratoryjnych, scenariusze do opracowanych zajęć, listy pytań kontrolnych, zadań na laboratoria i do przemyślenia, > 800 slajdów, > 20 minut animacji w 32 plikach, > 250 ilustracji i schematów, test elektroniczny do zajęć laboratoryjnych, materiały udostępnione poprzez platformę Moodle.

4 Wykorzystane narzędzia Koncepcja przedmiotu Wykorzystane narzędzia i materiały środowiska składu dokumentów L A TEX KILE, LEd, edytory grafiki wektorowej Inkscape i rastrowej GIMP, środowisko renderowania technikami ray-tracingu PovRay, biblioteka MING do języka php, programy do nagrywania stanu ekranu CamStudio, GtkRecordMyDesktop, programy edycja video kdenlive, mencoder, pakiet obliczeń numerycznych GNU Octave.

5 Wykorzystane materiały zewnętrzne Koncepcja przedmiotu Wykorzystane narzędzia i materiały ilustracje z licencja CC-BY-SA-3.0, fragmenty prezentacji z projektu Wolfram Demonstration Project (CC-BY-SA-3.0), platforma zdalnego nauczania Moodle, fragmenty dokumentacji GNU Octave licencja otwarta (GNU FDL), wykorzystane elektroniczne prace nakukowe z m.in. arxiva, Directory of Open Access Journals, International Journal of Advanced Computer Science and Applications..

6 Przykładowe ilustracje Schemat perceptronu z dodatkowymi wejściami z DFT out

7 Przykładowe ilustracje Architektura sieci wielowarstwowej warstwa wejściowa x1 x2 warstwa ukryta y1 y 2 warstwa wyjściowa z1 xi yj zk x0=1 (bias) y0=1 (bias)

8 Przykładowe ilustracje Zastosowanie ANN do rozpoznawania wzorców MAX A

9 Przykładowe ilustracje Schemat klasyfikacji zwracanej przez maszynę liniową w1 = [0.12, 1.50, -0.48] w2 = [-2.29, -0.56, -2.57] w3 = [1.14, -1.10, 1.79] w4 = [0.68, -0.71, 2.18] z ERR = x y

10 Przykładowe ilustracje Przykład działania algorytmów konstrukcyjnych out

11 Przykładowe ilustracje Geometryczna interpretacja pochodnych cząstkowych i GDA

12 Przykładowe ilustracje Rekonstrukcja obrazu w autoasocjatorze Hopfielda

13 Przykładowe ilustracje Schemat walidacji krzyżowej uczenia sieci

14 Koncepcja Kursu kliknij UWAGA! Osadzone animacje wymagają obecności plików w folderze z prezentacją. W razie ich braku proszę kliknąć na odnośnik www.

15 Koncepcja Kursu Siatka rozprowadzona przez sieć neuronową na powierzchni kuli. kliknij

16 Koncepcja Kursu Iteracja uczenia sieci neuronowych.

17 Koncepcja Kursu Schemat impulsu neuronu. link

18 Koncepcja Kursu Collage z przygotowanych animacji. link