Na wykładzie omowimy podstawowe typy sztucznych sieci neuronowych,
ich konstrukcję, sposoby działania oraz możliwosci zastosowania w zagadnieniach praktycznych.
Istotną składową zajęć jest pracownia, na ktorej studenci będą przeprowadzać
rożne symulacje lub też opracowywać zagadnienia na rzeczywistych danych. Podstawowym językiem programowania oraz dostępnych pakietow obliczeniowych będzie Matlab (We will consider basic principles of neural networks, how they are constructed and how they are trained and deployed. Special emphasis will be given to real applications. Real-world data will be elaborated using the Matlab software, in particular Netlab and SOM Toolbox).
posiadanie zaliczenia jednego z przedmiotow: rachunek prawdopodobienstwa i statystyka lub podobnych (knowledge of basic principles of probability and statistics),
pożadana umiejętnosć programowania w języku Matlab (optional: programming in the Matlab language)
1. Wprowadzenie w tematykę sieci neuronowych, trochę historii, podstawowe architektury sieci, czego możemy się spodziewać od 'nauczonej' sieci (An introduction to artificial neural networks, history of development, what can we expect from an artificial neural network after proper training).
2. Przygotowanie danych dla sieci neuronowej: wstępne transformacje i standaryzacje (preprocessing of data: transformations and standardization).
3. Perceptron wielowarstwowy, jego architektura i wybor parametrow, kryteria optymalizacji (Multilayer perceptron, its architecture, choice of its parameters, optimalization criteria).
4. Algorytmy uczenia sieci neuronowych (algorithms for training neural networks).
5. Sieci typu GLM, działające na zasadzie uogolnionego modelu liniowego, oraz sieci typu RBF, o radialnych funkcjach bazowych (Neural networks of the GLM type, working on the Generalized Linear Model principle, and RBF neural networks using radial basic functions).
6. Uczenie bez nadzoru i samo-organizacja przy konkurencji, sieci Hebbowskie, sieci Kohonena, gaz neuronowy (Unsupervised learning, self-organization in competitive environment, like Kohonens SOMs and Neural Gas).
7. Sieci typu SVM (Support vector machines), Sieci hybrydowe (hybrid networks)
8. Sieci typu ART, sieci probabilistyczne.
9. Referowanie wybranych prac z czasopism Neural Networks i Neurocomputing - tematyka uzgadniana ze słuchaczami wykładu.
1. Ch. M. Bishop, Neural Networks for Pattern Recognition. Clarendon Press, Oxford, 1996.
2. S. Osowski, Sieci neuronowe w ujęciu algorytmicznym.WNT W-wa 1996 (są poźniejsze wydania).
3. I. Nabney, Netlab {http://www.ncrg.aston.ac.uk/ }
4. J. Vesanto i in., Som Toolbox for Matlab {http://www.cis.hut.fi/projects/somtoolbox/}
