1. SylabUZ
2. Faculty of Computer Science, Electrical Engineering and Automatics
3. winter term 2017/2018
4. Computer Science - Second-cycle studies leading to MSc degree
5. Neural and Neuro-fuzzy Networks

Generate PDF for this page

Neural and Neuro-fuzzy Networks - course description

Aim of the course

• zapoznanie studentów z budową rożnych struktur sztucznych sieci neuronowych i neuro-rozmytych
• zapoznanie studentów z metodami uczenia poznanych struktur sztucznych sieci neuronowych i neuro-rozmytych
• ukształtowanie umiejętności wykorzystania poznanych metod do rozwiązywania zadań związanych z modelowaniem i rozpoznawaniem obrazów

 

Prerequisites

Save changes

brak

Scope

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.

 

Teaching methods

Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego

 

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

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%

Recommended reading

1. Rutkowski L.: Metody i techniki sztucznej inteligencji, WNT, Warszawa, 2015.
2. Goodfellow I., Bengio Y., Courville A.: Deep Learning, MIT Press, 2016.
3. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.
4. Flasiński M.: Wstęp do sztucznej inteligencji, PWN, Warszawa, 2011.
5. Russell S., Norvig P.: Artificial Intelligence: A Modern Approach, Prentice Hall, 2009.
6. Łęski J.: Systemy neuronowo-rozmyte, WNT, Warszawa, 2008.
7. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999.
8. Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.

Further reading

1. 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.
2. Murphy K.P.: Machine Learning: a Probabilistic Perspective, MIT Press, 2013.
3. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
4. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Biocybernetyka i Inżynieria Biomedyczna 2000. Tom 6. Sieci Neuronowe, Akademicka Oficyna Wydawnicza Exit, Warszawa, 2000.
5. Tadeusiewicz R.: Sieci Neuronowe, Akademicka Oficyna Wydawnicza RM, 1993.
6. Haykin S.: Neural Networks: A Comprehensive Foundation (2nd Edition), Prentice Hall, 1998.

Notes

Modified by prof. dr hab. inż. Andrzej Obuchowicz (last modification: 19-04-2017 13:22)