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
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
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
Jak? Praktycznie i teoretycznie, a więc na różnych formach zajęć: Wykład (forma wiodąca teoria) Projekt (możliwość pracy w grupach praktyka)
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
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.
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.
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.
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.
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
Zaliczenie c.d. Ocena końcowa: P = 0.4*F1 + 0.6*F2 (proj.) (wykł.)
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)
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)
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 (!)
Harmonogram: 08.03.2016 ostateczny termin ustalenia tematów projektów 22.03.2016 termin oddania konspektów projektowych (temat, cel projektu, plan pracy, harmonogram, bibliografia) 31.05.2016 prezentacje projektów (termin do ustalenia może się zmienić) 07.06.2016 sprawdzian z wykładu (termin 0 )
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.
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.
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 1996. STANISŁAW OSOWSKI SIECI NEURONOWE W PRZETWARZANIU INFORMACJI. WARSZAWA 2000. 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.