Sztuczne sieci neuronowe Field of study: Biomedical Engineering
Programme code: 08-S1IB12.2016

Module name: Sztuczne sieci neuronowe
Module code: 08-IBIM-S1-SSN
Programme code: 08-S1IB12.2016
Semester: winter semester 2018/2019
Language of instruction: Polish
Form of verification: exam
ECTS credits: 4
Description:
Celem zajęć w tym module jest zapoznanie studentów z wybranymi technikami i metodami sztucznej inteligencji, ze szczególnym uwzględnieniem metod klasyfikacyjnych. Kolejnym ważnym aspektem poruszanym w ramach modułu jest wnioskowanie z wykorzystywaniem logiki rozmytej, kiedy pojęcia wejściowe nie są określone w sposób bezpośredni i jednoznaczny. Ponadto student nabywa wiedzy i umiejętności z zakresu modelowania sieci neuronowych mogących zostać wykorzystane do skomplikowanych zadań optymalizacyjnych lub rozpoznawania kontekstowego.
Prerequisites:
Dobra znajomość podstaw matematyki oraz zagadnień z modułu: Podstawy eksploracji danych.
Key reading:
(no information given)
Learning outcome of the module Codes of the learning outcomes of the programme to which the learning outcome of the module is related [level of competence: scale 1-5]
Student ma podstawową wiedzę z zakresu logiki rozmytej, zna podstawowe operacje logiczne w odniesieniu do zbiorów rozmytych oraz rozróżnia podstawowe typy funkcji przynależności. Student ma podstawową wiedzę na temat metod klasyfikacji obiektów ze szczególnym uwzględnieniem naiwnego klasyfikatora Bayesa, oraz algorytmu k najbliższych sąsiadów, oraz wymienia wady i zalety omówionych podejść. [k_1]
 W17 [4/5]
Student zna zapis formalny oraz interpretację graficzną sieci Bayesa, potrafi wymienić jej cechy charakterystyczne, oraz definiuje twierdzenie Bayesa. Student zna model wielowarstwowej sieci neuronowej oraz rozumie pojęcie funkcji aktywacji oraz metody uczenia się sieci. [k_2]
 W16 [3/5]
Student potrafi wyliczać stopień przynależności do zbioru rozmytego, oraz poprawnie identyfikuje określony typ funkcji przynależności na podstawie zapisu matematycznego. [k_3]
 U26 [5/5]
Student posiada umiejętność konstruowania prostej sieci Bayesa w dostępnym oprogramowaniu wspomagającym, na podstawie podanych wymagań, celem rozwiązania problemów decyzyjnych. [k_4]
 U11 [3/5]
Student potrafi zamodelować prostą, dwuwarstwową sieć neuronową. Student potrafi dokonywać wnioskowania rozmytego oraz opisywać i uzasadniać poprawność poszczególnych kroków tego procesu. Student potrafi wykorzystywać naiwny klasyfikator Bayesa oraz algorytm k najbliższych sąsiadów do konkretnych problemów klasyfikacyjnych przy zadanych ograniczeniach. [k_5]
 U09 [2/5]
Type Description Codes of the learning outcomes of the module to which assessment is related
Egzamin [k_w_1]
Celem testu jest zweryfikowanie wiedzy teoretycznej wyniesionej z wykładu, oraz umiejętności praktycznych nabytych na laboratoriach. Test składa się z szeregu pytań zamkniętych jednokrotnego wyboru oraz zadań praktycznych.
 k_1 k_2 k_3 k_4 k_5
Prace kontrolne [k_w_2]
Kolokwia po przedstawieniu poszczególnych technik bądź grupy zagadnień odnośnie sztucznej inteligencji.
 k_1 k_2 k_3 k_4 k_5
Sprawozdania grupowe [k_w_3]
Zastosowanie poznanych metod sztucznej inteligencji, do zadań klasyfikacji bądź w procesie wnioskowania, z użyciem danych pobranych z repozytorium Machine Learning Repository lub sztucznie wygenerowanych przez studenta.
 k_1 k_2 k_3 k_4 k_5
Form of teaching Student's own work Assessment of the learning outcomes
Type Description (including teaching methods) Number of hours Description Number of hours
lecture [k_fs_1]
Podanie treści kształcenia w formie werbalnej z wykorzystaniem prezentacji multimedialnych oraz interaktywnych apletów. Podanie adresów stron internetowych zawierających dodatkowe materiały dydaktyczne.
 15
Zapoznanie się z tematyką wykładu z wykorzystaniem dostępnej literatury i przygotowanych przez prowadzącego prezentacji multimedialnych.
 15 Egzamin [k_w_1]
laboratory classes [k_fs_2]
Szczegółowe przygotowanie studentów do rozwiązywania zadań ze wskazaniem na metodologię postępowania, wskazaniem kolejności wykonywanych czynności. Rozwiązywanie zadań z treścią. Quizy i testy wyboru wraz z grupową dyskusją możliwych odpowiedzi.
 15
Rozwiązywanie zadań z poszczególnych tematów wraz z analizą rozwiązań już istniejących (dostępnych na stronach internetowych prowadzącego). Zastosowanie wiedzy zdobytej na wykładzie i laboratoriach odnośnie technik sztucznej inteligencji, na podstawie wygenerowanych przez studentów danych, co umożliwia jej uporządkowanie.
 45 Prace kontrolne [k_w_2] Sprawozdania grupowe [k_w_3]
Attachments
Module description (PDF)
Information concerning module syllabuses might be changed during studies.
Syllabuses (USOSweb)
Semester Module Language of instruction
(no information given)