Sztuczne sieci neuronowe Kierunek studiów: Inżynieria biomedyczna
Kod programu: 08-S1IB12.2014

Nazwa modułu: Sztuczne sieci neuronowe
Kod modułu: 08-IBIM-S1-SSN
Kod programu: 08-S1IB12.2014
Semestr: semestr zimowy 2016/2017
Język wykładowy: polski
Forma zaliczenia: egzamin
Punkty ECTS: 3
Opis:
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.
Wymagania wstępne:
Dobra znajomość podstaw matematyki oraz zagadnień z modułu: Podstawy eksploracji danych.
Literatura podstawowa:
(brak informacji)
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 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]
Typ Opis Kody efektów modułowych do których odnosi się sposób weryfikacji
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
Rodzaj prowadzonych zajęć Praca własna studenta Sposoby weryfikacji
Typ Opis (z uwzględnieniem metod dydaktycznych) Liczba godzin Opis Liczba godzin
wykład [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]
laboratorium [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]
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)