Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Sieci neuronowe
Tok studiów:
2019/2020
Kod:
RMBM-2-308-II-s
Wydział:
Inżynierii Mechanicznej i Robotyki
Poziom studiów:
Studia II stopnia
Specjalność:
Informatyka w inżynierii mechanicznej
Kierunek:
Mechanika i Budowa Maszyn
Semestr:
3
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Prowadzący moduł:
dr hab. inż, prof. AGH Wszołek Wiesław (wwszolek@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Nowa gałąź informatyki, budująca wiele nadziei i jeszcze więcej kontrowersji. Programowanie sieci z wykorzystaniem danych pomiarowych. Zastosowanie tam, gdzie nie mamy dokładnego modelu obiektu.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Ma ogólną wiedzę z zakresu sztucznej inteligencji wykorzystywanej w inżynierii mechanicznej. MBM2A_W02, MBM2A_W06 Aktywność na zajęciach,
Kolokwium,
Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
M_W002 Wykarze się wiedzą na temat sztucznych sieci neuronowych: historii powstania, zasady działania, projektowania, testowania i wdrażania do zastosowań w inżynierii mechanicznej. MBM2A_W02 Kolokwium,
Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
Umiejętności: potrafi
M_U001 Posiada umiejętność w zakresie numerycznego opracowywania sztucznych sieci neuronowych do zastosowań w inżynierii mechanicznej idiagnostyce. MBM2A_U11, MBM2A_U21, MBM2A_U14, MBM2A_U19, MBM2A_U20, MBM2A_U18 Aktywność na zajęciach,
Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
M_U002 Posiada umiejętność w zakresie oceny przydatności metod sztucznej inteligencji do badań i zastowań w inżynierii mechanicznej i diagnostyce. MBM2A_U11, MBM2A_U21, MBM2A_U14, MBM2A_U19, MBM2A_U20, MBM2A_U18 Aktywność na zajęciach,
Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne: jest gotów do
M_K001 Zna przydatność metod sztucznej inteligencji w poprawie zakresu i jakości usług technicznych. Sprawozdanie,
Wykonanie ćwiczeń laboratoryjnych
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
30 20 0 10 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Ma ogólną wiedzę z zakresu sztucznej inteligencji wykorzystywanej w inżynierii mechanicznej. + - - - - - - - - - -
M_W002 Wykarze się wiedzą na temat sztucznych sieci neuronowych: historii powstania, zasady działania, projektowania, testowania i wdrażania do zastosowań w inżynierii mechanicznej. + - - - - - - - - - -
Umiejętności
M_U001 Posiada umiejętność w zakresie numerycznego opracowywania sztucznych sieci neuronowych do zastosowań w inżynierii mechanicznej idiagnostyce. - - + - - - - - - - -
M_U002 Posiada umiejętność w zakresie oceny przydatności metod sztucznej inteligencji do badań i zastowań w inżynierii mechanicznej i diagnostyce. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Zna przydatność metod sztucznej inteligencji w poprawie zakresu i jakości usług technicznych. + - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 50 godz
Punkty ECTS za moduł 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 8 godz
Samodzielne studiowanie tematyki zajęć 10 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (20h):
Program wykładów:

1. Podstawowe wiadomości ze sztucznej inteligencji
2. Neurony biologiczne, sztuczne modele neuronów, metody uczenia
3. Modele sztucznych sieci neuronowych
4. Sieci neuronowe jedno i wielowarstwowe
5. Reguły uczenia sieci neuronowych
6. Nadzorowane uczenie sieci neuronowych
7. Nienadzorowane uczenie sieci neuronowych
8. Uczenie głębokie i głębokie sieci neuronowe
9. Sieci samoorganizujące się (Kohonena)
10. Sieci rezonansowe ART
11. Sieci rekurencyjne (Hopfielda)
12. Algorytmy genetyczne w sieciach neuronowych
13. Zasady przygotowania danych wejściowych do sieci neuronowych (zbiory uczące, testujące)
14. Problemy praktycznego wykorzystania sieci neuronowych (zdolności generalizacyjne sieci, dobór optymalnej architektury pod względem generalizacji).
15. Zastosowania sieci neuronowych w diagnostyce technicznej medycznej i sterowaniu

Ćwiczenia laboratoryjne (10h):
Program ćwiczeń laboratoryjnych:

1. Wprowadzenie do sieci neuronowych. Matematyczny model neuronu.
2. Perceptron – budowa, algorytm uczenia.
3. Siec jednokierunkowa wielowarstwowa. Uczenie sieci (pod nadzorem, bez nadzoru).
4. Uczenie głębokie
5. Sieci rekurencyjne Hopfielda
6. Sieci samoorganizujące Kohenena
7. Praktyczne zastosowanie sieci: aproksymacja funkcji liniowych i nielinowych
8. Praktyczne zastosowanie sieci: rozpoznawanie obrazów.
9. Zaliczenie

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Ocena z zaliczenia zajęć laboratoryjnych jest średnia arytmetyczna ocen cząstkowych: oceny z kartkówek wstępnych i oceny ze sprawozdań. Aktywność na zajęciach jest dodatkowo punktowana i podwyższa ocenę z zaliczenia laboratorium. Brakujące oceny z kartkówek wstępnych są uzupełniane na zajęciach zaliczeniowych.
Brak egzaminu.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Sposób obliczania oceny końcowej:

Ocena z ćwiczeń laboratoryjnych (50%), ocena z kolokwium z wykładów (50%).

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Każdorazowo zasady wyrównywania zaległości ustalane są indywidualnie z prowadzącym zajęcia. Wszystkie laboratoria muszą być zaliczone.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Ogólna wiedza z matematyki i fizyki, automatyki, cyfrowego przetwarzania sygnałów, sensory i pomiary wielkości nieelektrycznych, podstawy metrologii, języki programowania (w tym MATLAB).

Zalecana literatura i pomoce naukowe:

1. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
2. Korbicz J., Obuchowicz A., Uciński D; Sztuczne sieci neuronowe, Oficyna Wydawnicza PLJ, Warszawa 1994
3. Tadeusiewicz R.: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
4. Żurata J., Barski M., Jędruch W.; Sztuczne sieci neuronowe, WN PWN, Warszawa 1996
5. Osowski Stanisław: Sieci neuronowe do przetwarzania informacji, Oficyna wyd. Politechniki Warszawskiej, Warszawa 2006
6. Rutkowski L.: Metody i techniki sztucznej inteligencji, WN PWN, Warszawa 2006
7. pod red. Nałęcza M.; Sieci Neuronowe Tom 6, Biocybernetyka i Inżynieria Biomedyczna 2000, Akademicka Oficyna Wydawnicza Exit, Warszawa 2000
8. Rutkowska D., Piliński M., Rutkowski L.; Sieci neuronowe , algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź 1997

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

1. Wszołek W.: Sieci neuronowe jako narzędzia do analizy procesów wibroakustycznych. Raport z projektu badawczego KBN numer 7 T07B 014 15, 2001
2. Wszołek W., Tadeusiewicz R., Izworski A, Wszołek T.: Analysis and classification of the pathological speech using artificial intelligence methods. Artificial Intelligence Series, Advances in Intelligent Systems, Fuzzy Systems, Evolutionary Computation, WSEAS Piraeus Greece, (Editeed by Nikos E. Mastorakis) 2002, pp 163167
3. Wszołek W., Tadeusiewicz R: Methods of voice signal analysis using artificial intelligence methods. Archives of Acoustics, vol. 28, No. 3, 2003
4. Wszołek W. : Wykorzystanie sztucznej inteligencji do wspomagania jakościowej interpretacji biomedycznych sygnałów akustycznych. Raport z projektu badawczego KBN numer 4 T11C 031 23, 2006
5. Kłaczyński M., Wszolek T., Artificial Intelligence and Learning Systems Methods in Supporting Long-Term Acoustic Climate Monitoring, Acta Physica Polonica A, vol. 123, no. 6, pp. 1024-1028, 2013
6. Cioch W., Kłaczyński M., Rozpoznawanie obrazów wibroakustycznych w diagnostyce silników turbinowych, Materiały IX sympozjum naukowo-techniczne silniki spalinowe w zastosowaniach technicznych SILWOJ 2012, Puck, 21–23 października 2012,
7. Wiesław WSZOŁEK, Andrzej IZWORSKI; Deep neural network in acoustical signal analysis, 12th conference on Active noise and vibration control methods MARDiH : Krakow – Krynica Zdroj, Poland, 08–11 June 2015

Informacje dodatkowe:

Brak