Sieci neuronowe i algorytmy uczenia Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.

Transkrypt

1 Sieci neuronowe i algorytmy uczenia Czyli co i jak 2016 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3

2 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi strukturami sieci neuronowych, oraz zasadami ich funkcjonowania Poznawanie metod opartych o sieci neuronowe odbywać się ma zarówno teoretycznie, jak i praktycznie

3 Szczegółowe cele przedmiotu (z karty przedmiotu): Zapoznanie z podstawowymi strukturami sieci neuronowych i zasadami ich funkcjonowania Nabycie wiedzy na temat zasad projektowania sieci neuronowych Zdobycie umiejętności stosowania sieci neuronowych w procesach modelowania, sterowania, rozpoznawania i optymalizacji

4 Jak? Praktycznie i teoretycznie, a więc na różnych formach zajęć: Wykład (forma wiodąca teoria) Projekt (możliwość pracy w grupach praktyka)

5 Efekty kształcenia (z karty przedmiotu) Osoba, która zaliczyła kurs, ma następujące kompetencje z zakresu wiedzy: PEK_W01 zna podstawowe typy sieci neuronowych i sposoby ich funkcjonowania PEK_W02 zna zasady i algorytmy uczenia sieci neuronowych PEK_W03 zna możliwości analizowania zbiorów danych za pomocą sieci neuronowych

6 Efekty kształcenia PEK_W04 zna możliwości stosowania systemów neuronowych i pokrewnych metod w systemach wspomagania decyzji PEK_W05 zna możliwości wykorzystania sieci neuronowych w zadaniach predykcji, modelowania, rozpoznawania oraz przetwarzania sygnałów i obrazów.

7 Efekty kształcenia Osoba, która zaliczyła kurs, ma następujące kompetencje z zakresu umiejętności: PEK_U01 potrafi zaprojektować sieć jednokierunkową sigmoidalną lub radialną PEK_U02 potrafi dobrać strukturę sieci neuronowej i algorytm uczenia.

8 Efekty kształcenia PEK_U03 potrafi zastosować sieć neuronową do rozwiązania wybranych problemów klasyfikacji, predykcji, modelowania i diagnostyki PEK_U04 potrafi zweryfikować efektywność zaprojektowanej sieci PEK_U05 potrafi zaimplementować prostą sieć neuronową klasyfikującą i algorytm jej uczenia.

9 Efekty kształcenia Z zakresu kompetencji społecznych, osoba która zaliczyła kurs: PEK_K01 ma świadomość znaczenia umiejętności wyszukiwania informacji oraz jej krytycznej analizy, PEK_K02 rozumie konieczność samokształcenia oraz rozwijania zdolności do samodzielnego stosowania posiadanej wiedzy i umiejętności.

10 Konkrety - zaliczenie Warunek konieczny: zaliczenie wszystkich form zajęć (czyli wykład + projekt) W szczególności: F1 ocena projektu, jego realizacji, dokumentacji i końcowej prezentacji F2 ocena z pisemnego testu końcowego na wykładzie

11 Zaliczenie c.d. Ocena końcowa: P = 0.4*F *F2 (proj.) (wykł.)

12 Zasady - wykład Obecności w miarę możliwości Pod koniec semestru będą dostępne materiały ze slajdów Na koniec pisemny sprawdzian w formie testu (uwaga, nie takie proste ) Dodatkowo: poprawka dla opornych (przed końcem semestru)

13 Zasady - projekt Grupy 2-3 osobowe (możliwe odstępstwa) Dwa rodzaje tematów: samodzielna implementacja sieci neuronowej wraz z alg. uczenia wybrany (ciekawy) przykład zastosowania sieci + badania Tematy proponowane samodzielnie (konieczne krótkie studia z wyszukiwarką w sieci)

14 Zasady projekt c.d. Tematy proponowane samodzielnie Konieczne terminowe wybranie tematu, oraz oddanie konspektu i harmonogramu Systematyczne raportowanie postępów Na koniec krótki raport + prezentacja na forum (!)

15 Harmonogram: ostateczny termin ustalenia tematów projektów termin oddania konspektów projektowych (temat, cel projektu, plan pracy, harmonogram, bibliografia) prezentacje projektów (termin do ustalenia może się zmienić) sprawdzian z wykładu (termin 0 )

16 Tematyka wykładu (przybliżona): Kognitywistyka (gdzie miejsce na SSN?). Modele neuronu (M-P, perceptron, instar, etc.). Sieci wielowarstwowe jednokierunkowe (co mogą, jak działają, podstawowe zależności). Sieci wielowarstwowe, zaawansowane metody uczenia. Podejście ewolucyjne, alg. genetyczne w uczeniu sieci, neuroewolucja.

17 Tematyka wykładu: Sieci RBF (podstawowe zależności, uczenie, zastosowania). Sieci rekurencyjne (funkcja energetyczna, s. Hopfielda, s. Hamminga). Sieci rekurencyjne 2 (sieci BAM - może wcześniej, s. RTRN, s. Elmana, RMLP). Błędy w danych a uczenie SSN. Sieci samoorganizujące się (Kohonen, uczenie z krytykiem, alg. gazu neuronowego). Logika rozmyta, systemy neuro-rozmyte. Zbiory przybliżone a sieci neuronowe.

18 Literatura (oficjalna) LITERATURA PODSTAWOWA L. RUTKOWSKI "METODY I TECHNIKI SZTUCZNEJ INTELIGENCJI",WARSZAWA, PWN 2009.J.Korbicz, A. Obuchowicz, D. Ucinski "Sztuczne sieci neuronowe. PLJ 1994, Warszawa J. Żurada, M. Barski, W. Jedruch "Sztuczne sieci neuronowe", PWN, Warszawa STANISŁAW OSOWSKI SIECI NEURONOWE W PRZETWARZANIU INFORMACJI. WARSZAWA LITERATURA UZUPEŁNIAJACA: Haykin S., Neural Networks and Learning Machines, Prentice Hall 2011 Press W, Teukolsky S, Vetterling W and Flannery B Numerical Recipes 3rd edn. Cambridge University Press 2007.