Seminarium licencjackie SI 2 - Sztuczne Sieci Neuronowe WF-FI-KGN-SLPE2

Seminarium dyplomowe /metody dydaktyczne: werbalno-wizualna prezentacja treści programowych w postaci prezentacji w PowerPoint i pokaz działania sieci i ich zastosowania na konkretnych przykładach celem przygotowania prac dyplomowych / naukowych (projektów).

1. Seminarium zaproszone w zakresie zastosowania sztucznych sieci neuronowych i szeroko rozumianej sztucznej inteligencji;
2. Sieci dynamiczne i ich zastosowanie w modelowaniu i identyfikacji; Modelowanie neuronowe; Dynamiczne modele neuronów: model z filtrem IIR, Architektury sieci dynamicznych;
3. Sieci neuronowe w identyfikacji systemów Wienera i Hammersteina; Metoda identyfikacji systemów Wienera i Hammersteina: metody korelacyjne, metody regresji parametrycznej, metody regresji nieparametrycznej, metody wykorzystujące gradientowe techniki optymalizacji; Metody wykorzystujące modele neuronowe; Algorytmy uczenia neuronowych modeli systemów Wienera i Hammersteina;
4. Sieci neuronowe w przetwarzaniu i rozpoznawaniu obrazów; Przykłady sieci używanych do przetwarzania i rozpoznawania sygnałów - obrazów: rozpoznawanie sylwetek, rozpoznawanie znaków z tablic rejestracyjnych;
5. Wybrane obszary biomedycznych zastosowań sieci neuronowych; Omówienie obszarów tematycznych w których sieci neuronowe są najczęściej stosowane w biocybernetyce i inżynierii biomedycznej; Klasyfikacja obiektów i sygnałów; Zadania grupowania sygnałów; Neuronowe modele złożonych sygnałów biomedycznych i medycznych;
6. Neuronowe metody analizy szeregów czasowych i możliwości ich zastosowań w zagadnieniach biomedycznych; Cechy modeli neuronowych; Ograniczenia stosowalności neuronowych modeli szeregów czasowych; schemat budowy neuronowego modelu czasowego; zasady analizy szeregów czasowych obrazów fMRI;
7. Sieci neuronowe w modelowaniu zaburzeń neuropsychologicznych: zaburzenia pamięci, zaburzenia językowe, choroba Alzheimera, choroby psychiczne; Sieci atraktorowe;
8. Neuronowe metody odkrywania wiedzy w danych: Ekstrakcja reguł logicznych, optymalizacja reguł, rozmywanie reguł;
9. Sieci neuronowe i uczenie maszynowe: próba integracji; Parametryzacja miary podobieństwa; Selekcja i skalowanie cech; Parametryzacja funkcji ważących wpływ wektorów referencyjnych; Mieszanie wielu modeli; Pamięć asocjacyjna, dopełnienie wzorców i brakujących wartości;
10. Algorytmy genetyczne i ewolucyjne; Matematyczne podstawy działania algorytmów; Zastosowanie algorytmów genetycznych i ewolucyjnych do sieci neuronowych;
11. Systemy rozmyte i rozmyto-neuronowe: zbiory rozmyte i logika rozmyta; Systemy rozmyte; Systemy rozmyto-neuronowe: podstawowe architektury systemów rozmyto-neuronowych, uczenie systemów rozmyto-neuronowych;
12. Inteligentne systemy obliczeniowe i sztuczna inteligencja: koncepcja, realizacja, zastosowanie;
13. Metody hybrydowe w diagnostyce medycznej: Algorytm grupowania danych; Baza reguł systemu rozmyto-neuronowego; Architektura i uczenie systemu rozmyto-neuronowego; Zastosowanie do diagnozy w kardiologii i onkologii;
14. Omówienie projektów;
15. Podsumowanie.

Sylabus opracował: Paweł Pęczkowski - koordynator przedmiotu