Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka i ekonometria							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	praktyczny
Nazwa przedmiotu	Sieci neuronowe i uczenie głębokie							Kod przedmiotu	IE1SNG
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5/6
	26				30			Punkty ECTS	4
Przedmioty wprowadzające
Cele przedmiotu	Znajomość różnych modeli sieci neuronowych i sposobu ich działania. Umiejętność analizy danych (klasyfikacja, regresja) oraz rozwiązywania problemów optymalizacji przy użyciu sztucznych sieci neuronowych - właściwy dobór typu i architektury sieci. Zapoznanie z podstawowymi strukturami sieci głębokich. Świadomość ograniczeń związanych z wykorzystaniem sieci neuronowych.
Treści programowe	Wykład: Wprowadzenie do sztucznych sieci neuronowych. Reguła perceptronowa. Działanie warstwy neuronów dyskretnych. Reguła uczenia Widrowa-Hoffa. Sieci neuronowe jednokierunkowe wielowarstwowe. Metoda wstecznej propagacji błędu. Algorytmy optymalizacji. Właściwości uogólniające sieci. Dobór struktury sieci. Sieci RBF. Sieci PNN. Sieci Hopfielda. Sieci samoorganizujące się. Mapy cech Kohonena. Uczenie głębokie. Pracownia specjalistyczna: Zapoznanie się ze środowiskiem MATLAB. Działanie pojedynczego neuronu. Zasada działania perceptronu Neuron liniowy. Zasada działania sieci jednowarstwowej. Problem XOR. Algorytm wstecznej propagacji błędu. Algorytmy optymalizacji. Sieci RBF. Sieci PNN. Sieci Hopfielda. Sieci samoorganizujące się. Mapy cech. Wykorzystanie sieci neuronowych w praktyce. Uczenie głębokie.
Metody dydaktyczne	odczyt, programowanie z użyciem komputera,
Forma zaliczenia	Wykład - zaliczenie pisemne. Pracownia specjalistyczna - sprawozdania, projekty.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna podstawowe architektury sztucznych sieci neuronowych i sposoby ich wykorzystania do przetwarzania danych								K_W04 K_W09
EU2	potrafi przygotować tekst zawierający omówienie wyników realizacji zadania								K_U13
EU3	potrafi opisać i wykorzystać poznane metody uczenia sieci do analizy danych i ocenić wpływ parametrów uczenia na działanie sieci								K_U04 K_U09
EU4	potrafi zidentyfikować problem i zastosować odpowiednią architekturę sztucznej sieci neuronowej do eksploracji danych								K_U09
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	sprawozdania								Ps
EU3	sprawozdania								Ps
EU4	projekty								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								26
	2 - Udział w pracowniach specjalistycznych								30
	3 - Udział w konsultacjach								4
	4 - Przygotowanie do zajęć pracowni specjalistycznej								20
	5 - Opracowanie sprawozdań z pracowni specjalistycznej								20
RAZEM:									100
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									56 (1)+(2)	2.2
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									70 (5)+(2)+(4)	2.8
Literatura podstawowa	1. S. Osowski, Sieci neuronowe do przetwarzania informacji, Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2013. 2 K. Krawiec, J. Stefanowski, Uczenie maszynowe i sieci neuronowe, Wydawnictwo Politechniki Poznańskiej, 2004. 3. R. Tadeusiewicz i in., Sieci neuronowe w inżynierii biomedycznej, Akademicka Oficyna Wydawnicza EXIT, 2013. 4. J. Hertz, A. Krogh, R.G. Palmer, Wstęp do teorii obliczeń neuronowych, Wydawnictwa Naukowo-Techniczne, Warszawa, 1993. 5. I. Goodfellow, Y.Bengio, A. Courville, Deep learning : systemy uczące się, Warszawa: Wydaw. Naukowe PWN, 2018 6. M.A. Nielsen, Neural networks and deep learning, Determination Press, 2015, http://neuralnetworksanddeeplearning.com/.
Literatura uzupełniająca	1. J. Korbicz, A.Obuchowicz, D. Uciński, Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994. 2. N.E. Mastorakis (ed), Advances in neural networks and applications, World Scientific and Engineering Society Press, 2001. 3. J. Patterson, A. Gibson, Deep learning: praktyczne wprowadzenie, Helion, 2018. 4. I. Goodfellow, Y. Bengio, A.Courville, Deep Learning, MIT Press, 2016, http://www.deeplearningbook.org/.
Jednostka realizująca	Katedra Oprogramowania								Data opracowania programu
Program opracował(a)	dr hab. inż. Małgorzata Krętowska								2021.04.28