zapoznanie studentów z zasadami działanie wybranych technik sztucznej inteligencji, zakresem ich zastosowań i trendach rozwojowych
ukształtowanie umiejętności doboru odpowiedniej metody sztucznej inteligencji do rozwiązania zadanego problemu naukowego, umiejętności strojenia parametrów modeli sztucznej inteligencji i interpretacji wyników
Wymagania wstępne
Zakres tematyczny
Wprowadzenie do technik sztucznej inteligencji: motywacje i inspiracje biologiczno-społeczne, ogólne założenia, uczenie i organizacja danych, techniki sztucznej inteligencji a metody analityczne.
Jednokierunkowe sieci neuronowe: struktura i własności, algorytm wstecznej propagacji błędu, uczenie bez nadzoru, przykłady zastosowań sieci neuronowych w rozpoznawaniu obrazów.
Deep learning. Splotowe sieci neuronowe. Autoenkodery. Sieci typu LSTM (ang. Long Short Term Memory). Zastosowanie obliczeń na kartach graficznych do uczenia głębokiego.
Systemy rozmyte i neuro-rozmyte. Zbiory rozmyte i logika rozmyta. Operacje na zbiorach rozmytych. Wnioskowanie rozmyte. Reguły rozmyte. Struktury neuro-rozmyte. Algorytmy uczenia dla sieci neuro-rozmytych z wykorzystaniem algorytmów gradientowych.
Algorytmy ewolucyjne i systemy rojowe. Podstawowe pojęcia. Ogólny schemat algorytmu ewolucyjnego. Klasy algorytmów ewolucyjnych. Prosty algorytm genetyczny. Metody kodowania. Krzyżowanie i mutacja. Zestawienie mechanizmów selekcji i sukcesji. Algorytmy inteligencji rojowej.
Metody kształcenia
Wykład: wykład konwencjonalny Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego
Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się
Opis efektu
Symbole efektów
Metody weryfikacji
Forma zajęć
Warunki zaliczenia
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z testów przeprowadzonych, co najmniej raz w semestrze.
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych oraz kolokwiów i sprawdzianów przewidzianych w ramach laboratorium.
Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.
Arabas J.: Wykłady z algorytmów ewolucyjnych, WNT Warszawa 2001
Trojanowski K.: Metaheurystyki praktyczne - Wydawnictwo Wyższej Szkoły Informatyki Stosowanej i Zarządzania, Warszawa 2005 Cichosz P., Systemy uczące się, WNT, Warszawa, 2000.
Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W.: Sieci neuronowe w inżynierii biomedycznej. Akademicka Oficyna Wydawnicza EXIT, Inżynieria biomedyczna. Podstawy i zastosowania, tom 9, 2013.
Literatura uzupełniająca
Goodfellow I., Bengio Y., Courville A.: Deep Learning, MIT Press, 2016.
Murphy K.P.: Machine Learning: a Probabilistic Perspective, MIT Press, 2013.
Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Biocybernetyka i Inżynieria Biomedyczna 2000. Tom 6. Sieci Neuronowe, Akademicka Oficyna Wydawnicza Exit, Warszawa, 2000.
Tadeusiewicz R.: Sieci Neuronowe, Akademicka Oficyna Wydawnicza RM, 1993.
Piliński M., Rutkowska D., L. Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wyd. Naukowe PWN, Warszawa, 1997.
Rutkowska D.: Inteligentne systemy obliczeniowe. Algorytmy i sieci neuronowe w systemach rozmytych, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1997.
Uwagi
Zmodyfikowane przez dr inż. Piotr Witczak (ostatnia modyfikacja: 24-04-2022 09:47)
Ta strona używa ciasteczek (cookies), dzięki którym nasz serwis może działać lepiej. Korzystając z niniejszej strony, wyrażasz zgodę na ich używanie. Dowiedz się więcej.