Oferta dydaktyczna Instytutu Informatyki

Poniższa lista przedstawia przedmioty, które są uczone w Instytucie Informatyki, niektóre z nich co roku, niektóre z mniejszą częstotliwością Każdy student Instytutu Informatyki studiuje wg indywidualnego toku studiów, wybierając (zgodnie z pewnymi zasadami) z tej listy swoje przedmioty.

Jeżeli zastanawiasz się nad studiami u nas, jeżeli chcesz wiedzieć, czy na Uniwersytecie można zostać inżynierem, jeżeli interesuje Cię 1000 zł stypendium miesięcznie - zapraszamy na naszą stronę główną

Sieci neuronowe

Nazwa angielska (title in English): Neural Networks
Prowadzący (lecturer): Anna Bartkowiak
Liczba punktów (ECTS): 9
Liczba punktów 2007 (ECTS since 2007): 6
Rodzaj (type): zaawansowany
Rodzaj od 2007 (type since 2007): informatyczny.I2
Liczba godzin (hours in semester):
wykład:30
pracownia:30
Egzamin (exam): tak
Możliwe zajęcia w języku angielskim (can be taught in English): tak
Przedmiot zostal uaktualniony na biezacy rok (updated): tak
Semestr (semester): letni

Wymagania (prerequisites)

Opis (description)

Na wykładzie omówimy podstawowe typy sztucznych sieci neuronowych, ich konstrukcję, sposoby działania oraz możliwosci zastosowania w zagadnieniach praktycznych. Istotną składową zajęć jest pracownia, na której studenci będą przeprowadzać różne symulacje lub też opracowywać zagadnienia na rzeczywistych danych. Podstawowym językiem programowania oraz dostępnych pakietów obliczeniowych będzie Matlab (We will consider basic principles of neural networks, how they are constructed and how they are trained and deployed. Special emphasis will be given to real applications. Real-world data will be elaborated using the Matlab software, in particular Netlab and SOM Toolbox).

Program (program)

1. Wprowadzenie w tematykę sieci neuronowych, trochę historii, podstawowe architektury sieci, czego możemy się spodziewać od 'nauczonej' sieci (An introduction to artificial neural networks, history of development, what can we expect from an artificial neural network after proper training).

2. Przygotowanie danych dla sieci neuronowej: wstępne transformacje i standaryzacje (preprocessing of data: transformations and standardization).

3. Perceptron wielowarstwowy, jego architektura i wybór parametrów, kryteria optymalizacji (Multilayer perceptron, its architecture, choice of its parameters, optimalization criteria).

4. Algorytmy uczenia sieci neuronowych (algorithms for training neural networks).

5. Sieci typu GLM, działające na zasadzie uogólnionego modelu liniowego, oraz sieci typu RBF, o radialnych funkcjach bazowych (Neural networks of the GLM type, working on the Generalized Linear Model principle, and RBF neural networks using radial basic functions).

6. Uczenie bez nadzoru i samo-organizacja przy konkurencji, sieci Hebbowskie, sieci Kohonena, gaz neuronowy (Unsupervised learning, self-organization in competitive environment, like Kohonens SOMs and Neural Gas).

7. Sieci typu SVM (Support vector machines), Sieci hybrydowe (hybrid networks)

8. Sieci typu ART, sieci probabilistyczne.

9. Referowanie wybranych prac z czasopism Neural Networks i Neurocomputing - tematyka uzgadniana ze słuchaczami wykładu.

Literatura (references)

Jeżeli jesteś zainteresowany studiowaniem w naszym instytucie, zapraszamy na stronę poświęconą tegorocznej rekrutacji.

Nazwa użytkownika (user name):
Hasło (password):