Dalyko sando kodas

IDNT7114

Dalyko sando pavadinimas

Dirbtiniai neuroniniai tinklai

Dėstytojo (-jų) pedagoginis vardas, mokslo laipsnis, vardas ir pavardė

Prof. hab. dr. Šarūnas Raudys

Katedra, centras

Informatikos katedra

Fakultetas, padalinys

Matematikos ir informatikos fakultetas

Dalyko sando lygis

antrosios pakopos

Semestras

pavasario (2) 

ECTS kreditai

6

VU kreditai

4

Auditorinės valandos

viso dalyko 64

Paskaitų 32

seminarų

pratybų

laboratorinių darbų 32

konsultacijų

Reikalavimai

Matematinės analizės, tikimybių teorijos, matematinės statistikos, programavimo pagrindai.

Dėstomoji kalba

lietuvių, anglų

Dalyko sando tikslai ir numatomi gebėjimai

Sugebėjimas panaudoti specialisto žinias kiekybiškai arba kokybiškai sprendžiant žinomus arba nežinomus (naujus) uždavinius turint tik ribotą arba tarpusavyje prieštaraujančią informaciją. Pagrindinis sando tikslas yra suteikti studentams gilias, matematine statistika, dirbtinių neuroninių tinklų teorija paremtas, žinias, leidžiančias suprasti ir įsisavinti modernius duomenų analizės ir žinių atpažinimo duomenų bazėse metodus, pažangius dirbtinio intelekto metodus. Išvystyti sugebėjimus atpažinti ir išanalizuoti naujas problemas ir planuoti sprendimų priėmimo strategijas, išmokyti vykdyti literatūros paiešką, naudotis duomenų bazėmis, ekspertinėmis sistemomis ir kitais informacijos šaltiniais ir sugebėjimas iš jau minėto sudaryti specifinių klausimų santraukas.
Modulis turi būti dėstomas, kad išmokyti studentus planuoti ir pravesti eksperimentus, rasti reikalingus duomenis, juos tinkamai interpretuoti, gauti motyvuotas išvadas; planuoti ir pravesti analitinius, modeliavimo ir eksperimentinius tyrimus.
 

Tikimasi, kad asmuo, išstudijavęs referuojamą kursą, sugebės:

- pritaikyti statistinės duomenų analizės ir žinių išgavimo, neuroninių tinklų sudarymo, šiuolaikinius dirbtinio intelekto metodus praktiniame duomenų masyvų analizavimo darbe,

- kritiškai vertinti, kitų žmonių (organizacijų) atliktus minėto tipo darbus, konceptualizuoti tiriamą sistemą remiantis priežastiniais ir funkciniais ją sudarančių elementų ryšiais, įvertinti priimtų sprendimų kokybę remiantis sveiku racionalumu, sąžine, moralės normomis, etiniais standartais ir kitais socialiai priimtinais aspektais;

- konceptualizuoti ją pagal jos (sistemos) išorinį elgesį; pritaikyti ir praktiškai naudotis skaitiniais ir kompiuterinio modeliavimo metodais, komerciniais ir nekomerciniais duomenų analizės programų paketais,  preliminariame ir probleminiame duomenų analizavime.
- planuoti ir pravesti eksperimentus, rasti reikalingus duomenis, juos tinkamai interpretuoti, gauti motyvuotas išvadas.

Dalyko sando turinys

Šiuolaikiniai pažangūs duomenų analizės metodai, paremti daugiamate matematine statistika, vienasluoksniais ir daugiasluoksniais perceptronais, radialinių bazinių funkcijų ir mokymo vektorių kvantavimo neuroniniais tinklais, genetiniais algoritmais, sprendimų medžiais. Mokymo greičio ir išvadų patikimumo problemos. Požymių išrinkimas ir išskyrimas. Ryšys tarp statistinių algoritmų ir dirbtinių neuroninių tinklų. Praktinis darbas su dirbtiniais ir realiais duomenų analizės duomenimis. Ataskaitų paruošimas. Rezultatų ir išvadų patikimumo įvertinimas.

Pagrindinės literatūros sąrašas

1. Haykin S. Neural Networks, New York, 1998.

2. Raudys S. Electronic conspectus of the lectures, 2003. Computer files available

3. Raudys Š. Statistical and Neural Classifiers: Integrated approach to design. Springer-Verlag. London, 2001. Computer files  availabl.
4. Michie D., Spiegelhalter D.J., Taylor C.C. Machine Learning, Neural and Statistical Classification. Ellis Horwood, New York, 2004. Computer files  available

Papildomos literatūros sąrašas

Fukunaga K.  Introduction to Statistical Pattern Recognition. 2nd edition. Academic Press, New York, 1990.
Hagan M. T., Demuth H. B., Beale M. H. Neural Network Design.  Martin Hagan Publ. 2002.

Mokymo metodai

Įtraukianti paskaita, aiškinimas, demonstravimas, praktiniai darbai, diskusijos, problemų sprendimas, projektų ruošimas, kūrybinės užduotys dirbant grupėmis ir individualiai.
Trys privalomi ir vienas laisvai pasirinktas (savo suformuluotas) praktiniai uždaviniai. Užduočių paruošimas, vykdymas, pristatymas. Ataskaitų paruošimas ir gynimas

Lankomumo reikalavimai

Lankomumas (ne daugiau kaip 0,1 galutinio balo)

3 kartai praleista ≈  -0,1
6 kart praleista – svarstomas katedroje

Atsiskaitymo reikalavimai

Egzaminas raštu ir po to individualus pokalbis plius namų darbų vertinimas.

Vertinimo būdas

Taikoma dešimties balų kriterinė skalė ir kaupiamoji vertinimo schema. Semestro metu sukauptas balas susideda iš praktinių žinių ir praktinių gebėjimų įvertinimo, savarankiško darbo užduočių įvertinamo. Taip pat atsižvelgiama į aktyvumą užsiėmimo metu bei lankomumą. Egzaminų sesijos metu nustatomas galutinis pažymys.

Aprobuota katedros

2006 12 22

Patvirtinta Studijų programos komiteto

2007 04 12