SylabUZ
Course name | Neural and Neuro-fuzzy Networks |
Course ID | 11.3-WI-INFD-SNNR |
Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
Field of study | Computer Science |
Education profile | academic |
Level of studies | Second-cycle studies leading to MSc degree |
Beginning semester | winter term 2017/2018 |
Semester | 2 |
ECTS credits to win | 6 |
Course type | obligatory |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Exam |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
brak
Algorytm wstecznej propagacji w uczniu sieci neuronowych. Problemy i ograniczenia gradientowych algorytmów ucznia. Adaptacyjny krok uczenia i momentum. Algorytmy Newtonowskie, i quasi-Newtonowskie. Przegląd zaawansowanych algorytmów uczenia sieci neuronowych. Przykłady zastosowań sieci neuronowych jednokierunkowych w rozpoznawaniu obrazów.
Sieci neuronowe typu rekurencyjnego. Algorytmy ucznia sieci neuronowych ze sprzężeniem zwrotnym. Lokalnie rekurencyjnie globalnie jednokierunkowe sieci neuronowe. Sieć Hopfielda. Algorytm ucznia sieci Hopfielda.
Sieci neuronowe samoorganizujące się. Samoorganizująca się mapa cech Kohonena. Uczenie konkurencyjne. Algorytm gazu neuronowego. Przykładowe zastosowania sieci Kohonena.
Metody uczenia głębokiego. Konwolucyjne sieci neuronowe. Ograniczona maszyna Boltzmanna. Sieci typy Deep Belief Networks. Zastosowanie obliczeń GPU do uczenia głębokiego.
Systemy neuro-rozmyte. Zbiory rozmyte i logika rozmyta. Wnioskowanie rozmyte. Neuro-rozmyta sieć typu Mamdaniego i Takagi-Sugeno. Gradientowe algorytmy uczenia sieci neuro-rozmytych.
Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego
Outcome description | Outcome symbols | Methods of verification | The class form |
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.
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%
Modified by prof. dr hab. inż. Andrzej Obuchowicz (last modification: 19-04-2017 13:22)