Dalyko sando kodas

IMPM7124

Dalyko sando pavadinimas

Mokymosi proceso modeliavimas

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

rudens (3)

ECTS kreditai

6

VU kreditai

4

Auditorinės valandos

viso dalyko 64

Paskaitų 32

seminarų

pratybų

laboratorinių darbų 32

konsultacijų

Reikalavimai

Tikimybių teorijos pradmenys.

Programavimo, psichologijos pradmenys (pageidautina)

Dėstomoji kalba

lietuvių, anglų

Dalyko sando tikslai ir numatomi gebėjimai

Sugebėjimas suprasti, kad žmonių, organizacijų, bei kompiuterių mokymąsis remiasi tais pačiais dėsningumais. Supažindinti studentus su pagrindiniais, kompiuterių mokyme (kompiuterizuotame sprendimų priėmime) naudojamais mokymo metodais.

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. Įgyti įgūdžius, skirtus aprašyti, analizuoti ir optimizuoti besimokančių biologinių, socialinių gamybinių sistemų architektūrą, atskirų žmonių elgseną organizacijoje ar organizacinese struktūroje.

Tikimasi, kad asmuo, ištudijavęs referuojamą kursą, sugebės pritaikyti žinias, sukauptas mašinų (machine learning) biologinių, socialinių bei techninių (kompiuterizuotų) sistemų mokyme, vykstančiame  pagal pavyzdžius;  kritiškai vertinti, kitų žmonių (organizacijų) atliktus minėto tipo darbus, konceptualizuoti tiriamą sistemą remiantis prežastiniais ir funkciniais ją sudarančių elementų ryšiais, įvertinti priimtų sprendimų kokybę, suprasti galimas priežastis, kodėl mokymo procesas kartais būna neefektyvus.

Dalyko sando turinys

Šiuolaikiniai pažangūs duomenų sprendimų priėmimo metodai, paremti daugiamate matematine statistika, vienasluoksniais, genetiniais algoritmais, sprendimų medžiais. Ryšys tarp statistinių algoritmų ir dirbtinių neuroninių tinklų. Gauto algoritmo sudėtingumo, mokymo greičio,  ir tikslumo bei išvadų patikimumo problemos. Grupinis algoritmų mokymasis. Mokymo ypatybės besikeičiančios aplinkos sąlygose. Besimokančiojo objekto senėjimas.  Emocijų, grupinių interesų modeliavimas. Sintetinės imuninės sistemos, jų mokymosi ypatumai. Signalų sklidimas aktyvioje sužadinamoje terpėje. Mokymo algoritmų radimas ir analizė technologinės, biologinėse ir socialinėse sistemose.

Du praktiniai darbai su dirbtiniais duomenų masyvais arba tdviejų teorinių problemų modeliavimas. Ataskaitų paruošimas. Rezultatų ir išvadų patikimumo įvertinimas.

Pagrindinės literatūros sąrašas

1. Raudys S. Electronic conspectus of the lectures, 2005.

2. Raudys Š. Statistical and Neural Classifiers: Integrated approach to design. Springer-Verlag. London, 2001. Computer filse  availabl.

3. de Castro, L.N., Timmis, J.  Artificial Immune Systems: A new computational intelligence approach. Springer-Verlag, 2002.

4. Michie D., Spiegelhalter D.J., Taylor C.C. Machine Learning, Neural and StatisticalClassification. Ellis Horwood, New York, 2004. Computer file  available

Papildomos literatūros sąrašas

1. Hagan M. T., Demuth H. B., Beale M. H. Neural Network Design.  Martin Hagan Publ. 2002.

2. Perelson, A.S., Oster, G.F.: Theoretical studies of clonal selection: minimal antibody repertoire size and reliability of self-nonself discrimination. In: J. Theor. Biol. Volume 81. (1979) 645–670. Computer file  available

Mokymo metodai

Įtraukianti paskaita, aiškinimas, demonstravimas, praktiniai darbai, diskusijos, problemų sprendimas, projektų ruošimas, kūrybinės užduotys dirbant grupėmis ir individualiai.

Du privalomi 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 kartai praleista 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