Semestr zimowy 2024/25

1.Wstęp, wprowadzenie do wykładu, program, wymagania.

Podstawowe pojęcia i definicje.

2. Architektury sieci neuronowych i ich zastosowania.

3. Perceptron Rosenblatta i jego własności. Liniowa klasyfikacja wzorców.

4. Wielowarstwowe perceptrony - sieci płytkie i sieci głębokie.

Modele neuronów.

5. Metody uczenia sieci – metoda wstecznej propagacji błędu.

Automatyczny gradient.

6. Metody uczenia nadzorowanego – przegląd algorytmów optymalizacyjnych.

7. Dobór architektury i parametrów  sieci neuronowych.

Ocena jakości sieci. Metody regularyzacji.

8. Sieci rekurencyjne: sieci Hopfielda, Pamięci asocjacyjne.

9. Sieci skojarzeniowe, autoenkodery.

10. Sieci samoorganizujące: sieci SOM,  sieci PCA, sieci ICA,

klasteryzacja.

11. Sieci radialne i inne rodzaje sieci oparte na układach funkcji bazowych

(sieci ortogonalne, sieci falkowe)

12. Sieci głębokie, metody uczenia i regularyzacji (dropout, normalizacja).

13. Sieci konwolucyjne - architektura, zastosowania.

14. Sieci rekurencyjne - LSTM-y.

15. Zastosowania sieci neuronowych w problemach sztucznej inteligencji.