Celem przedmiotu jest zapoznanie z różnymi modelami sieci neuronowych i sposobem ich działania. Umiejętność analizy danych (klasyfikacja, regresja) oraz rozwiązywania problemów optymalizacji przy użyciu sztucznych sieci neuronowych - właściwy dobór typu i architektury sieci. Świadomość ograniczeń związanych z wykorzystaniem sieci neuronowych.

Wykład:
1. Wprowadzenie do sztucznych sieci neuronowych.
2. Reguły uczenia sztucznych sieci neuronowych.
3. Sieci neuronowe jednokierunkowe.
4. Algorytmy optymalizacji.
5. Właściwości uogólniające sieci.
6. Dobór struktury sieci.
7. Ocena jakości sieci neuronowej.
8. Sieci RBF.
9. Probabilistyczne sieci neuronowe PNN.
10. Sieci rekurencyjne: sieć Hopfielda.
11. Sieci samoorganizujące się na zasadzie współzawodnictwa.
12. Gaz neuronowy.
13. Sieci samoorganizujące się typu Hebba.
14. Logika rozmyta.
15. Sieci neuronowe o logice rozmytej.
16. Wykorzystanie sieci neuronowych w analizie przeżycia.

Pracownia specjalistyczna:
1. Neurony dyskretne i ciągłe.
2. Perceptrom wielowarstwowy.
3. Algorytmy optymalizacji.
4. Sieci RBF.
5. Sieci PNN.
6. Sieci rekurencyjne.
7. Sieć Hopfielda.
8. Sieci samoorganizujace się.

wykład problemowy,   programowanie z użyciem komputera,  

Wykład - egzamin.
Pracownia specjalistyczna - sprawozdania, krótkie sprawdziany.

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.

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.