ZUT - Krajowe Ramy Kwalifikacji / Rok 2016/2017 / Wydział Informatyki / Informatyka (N1) / Sylabus przedmiotu - Sieci neuronowe i ich zastosowania

Wydział Informatyki - Informatyka (N1)

Sylabus przedmiotu Sieci neuronowe i ich zastosowania - Przedmiot obieralny II:

Informacje podstawowe

Kierunek studiów	Informatyka
Forma studiów	studia niestacjonarne	Poziom	pierwszego stopnia
Tytuł zawodowy absolwenta	inżynier
Obszary studiów	nauk technicznych, studiów inżynierskich
Profil	ogólnoakademicki
Moduł	—
Przedmiot	Sieci neuronowe i ich zastosowania - Przedmiot obieralny II
Specjalność	systemy komputerowe i oprogramowanie
Jednostka prowadząca	Katedra Metod Sztucznej Inteligencji i Matematyki Stosowanej
Nauczyciel odpowiedzialny	Andrzej Piegat <Andrzej.Piegat@zut.edu.pl>
Inni nauczyciele	Ewa Adamus <Ewa.Adamus@zut.edu.pl>
ECTS (planowane)	2,0	ECTS (formy)	2,0
Forma zaliczenia	zaliczenie	Język	polski
Blok obieralny	5	Grupa obieralna	3

Formy dydaktyczne

Forma dydaktyczna	KOD	Semestr	Godziny	ECTS	Waga	Zaliczenie
wykłady	W	5	10	0,9	0,62	zaliczenie
laboratoria	L	5	10	1,1	0,38	zaliczenie

Wymagania wstępne

KOD	Wymaganie wstępne
W-1	Podstawowa wiedza z zakresu matematyki wyższej nabyta na 1-szym i 2-m roku studiów.

Cele przedmiotu

dla tego przedmiotu nie są określone cele przedmiotu

Treści programowe z podziałem na formy zajęć

KOD	Treść programowa	Godziny
laboratoria
T-L-1	Wprowadzenie w tematykę sieci neuronowych. Perceptron binarny. Struktura oraz znaczenie jego parametrów. Algorytm strojenia zilustrowany przykładem obliczeniowym, zrealizowanym dla pojedyńczego perceptronu z dwoma wejściami. Punkt separacji neuronu. Możliwości oraz ograniczenia związane z zastosowaniem perceptronu binarnego: pojedyńczego, sieci jednowarstwowej złożonej z kilku jednostek oraz sieci dwuwarstwowej. Omówienie sposobu implementacji perceptronu binarnego zastosowanego w Matlabie oraz jej zastosowanie w celu wizualizacji procesu uczenia pojedyńczego elementu perceptronowego. Zastosowanie sieci złożonej z kilku neuronów do problemu klasyfikacji irysów (zbiór próbek z repozytorium UCI).	1
T-L-2	Sieć perceptronowa wielowarstwowa a problem aproksymacji. Przykład wykorzystania implementacji Matlab'a sieci do aproksymacji funkcji jednej zmiennej.Topologia sieci a problem przeuczenia. Metody zapobiegania.	1
T-L-3	Sieć perceptronowa wielowarstwowa a problem klasyfikacji. Przykład wykorzystania implementacji Matlab'a sieci do identyfikacji osób (studentów) na podstawie ich próbek głosowych. Metody weryfikacji jakości działania sieci neuronowej.	2
T-L-4	Algorytm wstecznej propagacji błędu	2
T-L-5	Uczenie nadzorowane oraz nienadzorowane. Samorganizujące sieci Kohonena. Możliwości stosowalności - przykłady.	2
T-L-6	Implementacja algorytmu gazu neuronowego. Porównanie z algorytmem Kohonena. Weryfikacja sieci samorganizujących na problemie klasyfikacji osób.	1
T-L-7	Sieci neuronowe ze sprzężeniem zwrotnym. Sieć Hopfielda. Zastosowanie dwukierunkowej pamięci asocjacyjnej (BAM) do rozpoznawania (odtwarzania) znaków.	1
		10
wykłady
T-W-1	Wprowadzenie w tematykę sieci neuronowych. Naturalne sieci neuronowe i zachodzace w nich procesy uczenia oraz zapominania. Struktura i elementy sztucznych sieci neuronowych (SSN). Sieci jednokierunkowe i sieci ze sprzeżeniami zwrotnymi. Przeznaczenie poszczególnych rodzajów sieci. Budowa naturalnego i sztucznego neuronu perceptronowego. Model neuronu perceptronowego i znaczenie jego parametrów. Punkt separacji neuronu. Przykład praktycznego zastosowania neuronu z jednym wejściem.	1
T-W-2	Neuron perceptronowy z dwoma sygnałami wejsciowymi. Ogólne znaczenie współczynników neuronu. Separacja klas dokonywana przez neuron i prosta separacji. Dobór wartości współczynników neuronu w zadaniu oceny kandydatów na współudziałowca firmy. Prosta separacji klas a powierzchnia aktywizacji neuronu. Przykład problemu wymagajacego więcej niż jedna prosta separacji. SSN realizujaca kilka prostych separacji jednocześnie. Problemy klasyfikacyjne i funkcyjne. Dostosowanie sieci klasyfikacyjnej do zadania funkcyjnego. Zastosowanie SSN do rozpoznawania liter i twarzy.	1
T-W-3	Pojęcie nadzorowanego i nienadzorowanego uczenia sieci. Przykład zastosowania SSN do oceny wiarygodności kredytowej klientów banku. Przykład zastosowania SSN do prognozowania cen akcji giełdowych Amerbanku, do prognozowania kursów walut. Konieczność testowania sieci. Praktyczna dokładność prognozowania przez sieci.	1
T-W-4	Automatyczne,nadzorowane uczenie sieci z użyciem metody wstecznej propagacji błędu. Przykład zastosowania sieci do oceny wartości budynków mieszkalnych w Kalifornii.	1
T-W-5	Praktyczne aspekty uczenia sieci. Uczenie SSN próbkami o małym i dużym błędzie pomiarowym - okreslanie rozsadnej granicy uczenia. Podział zbioru próbek na zbiór uczacy i testujacy i związane z tym problemy. Problem nieregularnego rozkładu próbek uczących w przestrzeni zmiennych. Strefy interpolacyjne, ekstrapolacyjne i mieszane. Prawodłowe uczenie sieci oraz zjawisko ich niedouczenia badż przeuczenia. Przyczyny tych zjawisk i ich rozpoznawanie. Przykład zastosowania SSN do wykrywania złośliwego nowotworu piersi kobiet.	2
T-W-6	Nienadzorowane uczenie sieci neuronowych. Przykłady problemów rzeczywistych które można rozwiązać z użyciem uczenia nienadzorowanego. Problem identyfikacji rocznika wina. Problem wykrywania województw podobnych. Problem wykrywania klas klientów kupujacych dany produkt. Problem klasyfikacji istot na obcej planecie. Wstęp do samorganizujacych sie sieci Kohonena.	2
T-W-7	Budowa sieci Kohonena. Neurony wygrywające i przegrywajace. Zastosowanie sieci Kohonena do identyfikacji koloru światła. Przykład zastosownai sieci Kohonena do diagnozowania "zdrowia" przedsiebiorstw.Jedno i 2-wymiarowa sieć Kohonena. Ocena stanu przedsiębiorstwa przez 2-wymiarową siec Kohonena. Zastosowanie sieci Kohonena do rozpoznawania kształtu figur geometrycznych.	2
		10

Obciążenie pracą studenta - formy aktywności

KOD	Forma aktywności	Godziny
laboratoria
A-L-1	uczestnictwo w zajęciach	10
A-L-2	Przygotowanie do zajęć	10
A-L-3	Realizacja prac domowych: 1 sprawozdanie, 5 zadań programistycznych zrealizowanych w Matlabie.	10
A-L-4	Konsultacje	2
		32
wykłady
		0

Metody nauczania / narzędzia dydaktyczne

dla tego przedmiotu nie są określone metody nauczania ani narzędzia dydaktyczne

Sposoby oceny

KOD	Sposób oceny
S-1	Ocena formująca: Sieci neuronowe i ich zastosowania - wykład ocena aktywności dyskusyjnej nad problemami poruszanymi podczas wykładu
S-2	Ocena podsumowująca: Sieci neuronowe i ich zastosowania - wykład sprawdzian końcowy dotyczacy wiedzy przekazywanej poczas wykładu oraz umiejętności rozwiązywania zadań podobnych do omawianych podczas wykładu a także rozwiązywanych na zajęciach laboratoryjnych
S-3	Ocena formująca: Sieci neuronowe i ich zastosowania - laboratorium Ocena aktywności studenta w rozwiązywaniu zadań zleconych przez prowadzącego i na podstawie prowadzonych dyskusji oraz wypowiedzi i odpowiedzi na pytania zwiazane z materiałem wykładowym.
S-4	Ocena podsumowująca: Sieci neuronowe i ich zastosowania- laboratorium Realizacja zadania domowego zleconego przez prowadzącego zajęcia lub sprawdzian polegajacy na rozwiazaniu zadań zleconych przez prowadzącego.

Zamierzone efekty kształcenia - wiedza

Zamierzone efekty kształcenia	Odniesienie do efektów kształcenia dla kierunku studiów	Odniesienie do efektów zdefiniowanych dla obszaru kształcenia	Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera	Cel przedmiotu	Treści programowe	Metody nauczania	Sposób oceny
I_1A_O/1/5_W01 W wyniku zajęć student uzyskuje wiedzę o ogólnej budowie, działaniu i rodzajach sztucznych sieci neuronowych (SSN), o praktycznym znaczeniu współczynników wagowych i progowych, o metodach uczenia sieci, o metodach testowania sieci i o specjalnych zjawiskach, które mogą wystepować w praktycznych, specyficznych zastosowaniach sieci. Student uzyskuje też wiedzę o szeregu praktycznych zastosowań SSN do rozwiązywania problemów ekonomicznych, technicznych, medycznych i innych, oraz o specyficznych trudnościach jakie mogą występować w problemach rzeczywistych. Uzyskuje wiedzę o tym jak patrzeć na problem rzeczywisty z punktu widzenia zastosowania SSN do jego rozwiązania.	I_1A_W12, I_1A_W16	T1A_W03, T1A_W04, T1A_W08, T1A_W10, T1A_W11	InzA_W01, InzA_W03, InzA_W05	—	—	—	—

Zamierzone efekty kształcenia - umiejętności

Zamierzone efekty kształcenia	Odniesienie do efektów kształcenia dla kierunku studiów	Odniesienie do efektów zdefiniowanych dla obszaru kształcenia	Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera	Cel przedmiotu	Treści programowe	Metody nauczania	Sposób oceny
I_1A_O/1/5_U01 W wyniku zajęć student powinien posiadać umiejętność sformułowania rozwiązywanego problemu w sposób nadajacy się do użycia SSN, umiejętność określenia potrzebnego zbioru próbek i ich podziału na zbiór uczacy i testujacy w celu umożliwienia użycia sieci do rozwiązania problemu. Powinien także posiadać umiejetność posługiwania się profesjonalnymi programami sieci neuronowych do rozwiązywania problemów rzeczywistych i do oceny jakości tych rozwiązań.	I_1A_U17, I_1A_U12, I_1A_U15, I_1A_U16	T1A_U01, T1A_U07, T1A_U08, T1A_U09, T1A_U11, T1A_U13, T1A_U14, T1A_U15, T1A_U16	InzA_U01, InzA_U02, InzA_U04, InzA_U05, InzA_U06, InzA_U07, InzA_U08	—	—	—	S-4, S-3

Kryterium oceny - wiedza

Efekt kształcenia	Ocena	Kryterium oceny
I_1A_O/1/5_W01 W wyniku zajęć student uzyskuje wiedzę o ogólnej budowie, działaniu i rodzajach sztucznych sieci neuronowych (SSN), o praktycznym znaczeniu współczynników wagowych i progowych, o metodach uczenia sieci, o metodach testowania sieci i o specjalnych zjawiskach, które mogą wystepować w praktycznych, specyficznych zastosowaniach sieci. Student uzyskuje też wiedzę o szeregu praktycznych zastosowań SSN do rozwiązywania problemów ekonomicznych, technicznych, medycznych i innych, oraz o specyficznych trudnościach jakie mogą występować w problemach rzeczywistych. Uzyskuje wiedzę o tym jak patrzeć na problem rzeczywisty z punktu widzenia zastosowania SSN do jego rozwiązania.	2,0
	3,0	Student posiada dostateczna wiedzę o budowie, sposobach uczenia, testowania dokładności i zakresie stosowania sieci neuronowych.
	3,5
	4,0
	4,5
	5,0

Kryterium oceny - umiejętności

Efekt kształcenia	Ocena	Kryterium oceny
I_1A_O/1/5_U01 W wyniku zajęć student powinien posiadać umiejętność sformułowania rozwiązywanego problemu w sposób nadajacy się do użycia SSN, umiejętność określenia potrzebnego zbioru próbek i ich podziału na zbiór uczacy i testujacy w celu umożliwienia użycia sieci do rozwiązania problemu. Powinien także posiadać umiejetność posługiwania się profesjonalnymi programami sieci neuronowych do rozwiązywania problemów rzeczywistych i do oceny jakości tych rozwiązań.	2,0
	3,0	Student posiada dostateczna umiejętność stwierdzenia czy dany problem może być rozwiazany z użyciem sieci neuronowych i rozwiązania tego problemu z użyciem komputerowego programu sieci neuronowej.
	3,5
	4,0
	4,5
	5,0

Literatura podstawowa

Tadeusiewicz Ryszard, Elemntarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1998
Tadeusiewicz Ryszard, Odkrywanie właściwości sieci neuronowych, Polska Akademia Umiejętności, Kraków, 2007
Tymothy Masters, Sieci neuronowe w praktyce (Programowanie w języku C++), Wydawnictwo-Naukowo-Techniczne, Warszawa, 1996

Literatura dodatkowa

D. Rutkowska, M. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte., Wydawnictwo Naukowe PWN, Warszawa-Łódż, 1997
Korbicz Józef i inni, Sztuczne sieci neuronowe, podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994

Treści programowe - laboratoria

KOD	Treść programowa	Godziny
T-L-1	Wprowadzenie w tematykę sieci neuronowych. Perceptron binarny. Struktura oraz znaczenie jego parametrów. Algorytm strojenia zilustrowany przykładem obliczeniowym, zrealizowanym dla pojedyńczego perceptronu z dwoma wejściami. Punkt separacji neuronu. Możliwości oraz ograniczenia związane z zastosowaniem perceptronu binarnego: pojedyńczego, sieci jednowarstwowej złożonej z kilku jednostek oraz sieci dwuwarstwowej. Omówienie sposobu implementacji perceptronu binarnego zastosowanego w Matlabie oraz jej zastosowanie w celu wizualizacji procesu uczenia pojedyńczego elementu perceptronowego. Zastosowanie sieci złożonej z kilku neuronów do problemu klasyfikacji irysów (zbiór próbek z repozytorium UCI).	1
T-L-2	Sieć perceptronowa wielowarstwowa a problem aproksymacji. Przykład wykorzystania implementacji Matlab'a sieci do aproksymacji funkcji jednej zmiennej.Topologia sieci a problem przeuczenia. Metody zapobiegania.	1
T-L-3	Sieć perceptronowa wielowarstwowa a problem klasyfikacji. Przykład wykorzystania implementacji Matlab'a sieci do identyfikacji osób (studentów) na podstawie ich próbek głosowych. Metody weryfikacji jakości działania sieci neuronowej.	2
T-L-4	Algorytm wstecznej propagacji błędu	2
T-L-5	Uczenie nadzorowane oraz nienadzorowane. Samorganizujące sieci Kohonena. Możliwości stosowalności - przykłady.	2
T-L-6	Implementacja algorytmu gazu neuronowego. Porównanie z algorytmem Kohonena. Weryfikacja sieci samorganizujących na problemie klasyfikacji osób.	1
T-L-7	Sieci neuronowe ze sprzężeniem zwrotnym. Sieć Hopfielda. Zastosowanie dwukierunkowej pamięci asocjacyjnej (BAM) do rozpoznawania (odtwarzania) znaków.	1
		10

Treści programowe - wykłady

KOD	Treść programowa	Godziny
T-W-1	Wprowadzenie w tematykę sieci neuronowych. Naturalne sieci neuronowe i zachodzace w nich procesy uczenia oraz zapominania. Struktura i elementy sztucznych sieci neuronowych (SSN). Sieci jednokierunkowe i sieci ze sprzeżeniami zwrotnymi. Przeznaczenie poszczególnych rodzajów sieci. Budowa naturalnego i sztucznego neuronu perceptronowego. Model neuronu perceptronowego i znaczenie jego parametrów. Punkt separacji neuronu. Przykład praktycznego zastosowania neuronu z jednym wejściem.	1
T-W-2	Neuron perceptronowy z dwoma sygnałami wejsciowymi. Ogólne znaczenie współczynników neuronu. Separacja klas dokonywana przez neuron i prosta separacji. Dobór wartości współczynników neuronu w zadaniu oceny kandydatów na współudziałowca firmy. Prosta separacji klas a powierzchnia aktywizacji neuronu. Przykład problemu wymagajacego więcej niż jedna prosta separacji. SSN realizujaca kilka prostych separacji jednocześnie. Problemy klasyfikacyjne i funkcyjne. Dostosowanie sieci klasyfikacyjnej do zadania funkcyjnego. Zastosowanie SSN do rozpoznawania liter i twarzy.	1
T-W-3	Pojęcie nadzorowanego i nienadzorowanego uczenia sieci. Przykład zastosowania SSN do oceny wiarygodności kredytowej klientów banku. Przykład zastosowania SSN do prognozowania cen akcji giełdowych Amerbanku, do prognozowania kursów walut. Konieczność testowania sieci. Praktyczna dokładność prognozowania przez sieci.	1
T-W-4	Automatyczne,nadzorowane uczenie sieci z użyciem metody wstecznej propagacji błędu. Przykład zastosowania sieci do oceny wartości budynków mieszkalnych w Kalifornii.	1
T-W-5	Praktyczne aspekty uczenia sieci. Uczenie SSN próbkami o małym i dużym błędzie pomiarowym - okreslanie rozsadnej granicy uczenia. Podział zbioru próbek na zbiór uczacy i testujacy i związane z tym problemy. Problem nieregularnego rozkładu próbek uczących w przestrzeni zmiennych. Strefy interpolacyjne, ekstrapolacyjne i mieszane. Prawodłowe uczenie sieci oraz zjawisko ich niedouczenia badż przeuczenia. Przyczyny tych zjawisk i ich rozpoznawanie. Przykład zastosowania SSN do wykrywania złośliwego nowotworu piersi kobiet.	2
T-W-6	Nienadzorowane uczenie sieci neuronowych. Przykłady problemów rzeczywistych które można rozwiązać z użyciem uczenia nienadzorowanego. Problem identyfikacji rocznika wina. Problem wykrywania województw podobnych. Problem wykrywania klas klientów kupujacych dany produkt. Problem klasyfikacji istot na obcej planecie. Wstęp do samorganizujacych sie sieci Kohonena.	2
T-W-7	Budowa sieci Kohonena. Neurony wygrywające i przegrywajace. Zastosowanie sieci Kohonena do identyfikacji koloru światła. Przykład zastosownai sieci Kohonena do diagnozowania "zdrowia" przedsiebiorstw.Jedno i 2-wymiarowa sieć Kohonena. Ocena stanu przedsiębiorstwa przez 2-wymiarową siec Kohonena. Zastosowanie sieci Kohonena do rozpoznawania kształtu figur geometrycznych.	2
		10

Formy aktywności - laboratoria

KOD	Forma aktywności	Godziny
A-L-1	uczestnictwo w zajęciach	10
A-L-2	Przygotowanie do zajęć	10
A-L-3	Realizacja prac domowych: 1 sprawozdanie, 5 zadań programistycznych zrealizowanych w Matlabie.	10
A-L-4	Konsultacje	2
		32

(*) 1 punkt ECTS, odpowiada około 30 godzinom aktywności studenta

Formy aktywności - wykłady

KOD	Forma aktywności	Godziny
		0

(*) 1 punkt ECTS, odpowiada około 30 godzinom aktywności studenta

Pole	KOD	Znaczenie kodu
Zamierzone efekty kształcenia	I_1A_O/1/5_W01	W wyniku zajęć student uzyskuje wiedzę o ogólnej budowie, działaniu i rodzajach sztucznych sieci neuronowych (SSN), o praktycznym znaczeniu współczynników wagowych i progowych, o metodach uczenia sieci, o metodach testowania sieci i o specjalnych zjawiskach, które mogą wystepować w praktycznych, specyficznych zastosowaniach sieci. Student uzyskuje też wiedzę o szeregu praktycznych zastosowań SSN do rozwiązywania problemów ekonomicznych, technicznych, medycznych i innych, oraz o specyficznych trudnościach jakie mogą występować w problemach rzeczywistych. Uzyskuje wiedzę o tym jak patrzeć na problem rzeczywisty z punktu widzenia zastosowania SSN do jego rozwiązania.
Odniesienie do efektów kształcenia dla kierunku studiów	I_1A_W12	ma podstawową wiedzę dotyczącą metod sztucznej inteligencji
Odniesienie do efektów kształcenia dla kierunku studiów	I_1A_W16	ma wiedzę dotyczącą możliwości zastosowania informatyki w różnych dziedzinach aktywności ludzkiej (np. w przemyśle, zarządzaniu i medycynie)
Odniesienie do efektów zdefiniowanych dla obszaru kształcenia	T1A_W03	ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną obejmującą kluczowe zagadnienia z zakresu studiowanego kierunku studiów
	T1A_W04	ma szczegółową wiedzę związaną z wybranymi zagadnieniami z zakresu studiowanego kierunku studiów
	T1A_W08	ma podstawową wiedzę niezbędną do rozumienia społecznych, ekonomicznych, prawnych i innych pozatechnicznych uwarunkowań działalności inżynierskiej
	T1A_W10	zna i rozumie podstawowe pojęcia i zasady z zakresu ochrony własności przemysłowej i prawa autorskiego; umie korzystać z zasobów informacji patentowej
	T1A_W11	zna ogólne zasady tworzenia i rozwoju form indywidualnej przedsiębiorczości, wykorzystującej wiedzę z zakresu dziedzin nauki i dyscyplin naukowych, właściwych dla studiowanego kierunku studiów
Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera	InzA_W01	ma podstawową wiedzę o cyklu życia urządzeń, obiektów i systemów technicznych
	InzA_W03	ma podstawową wiedzę niezbędną do rozumienia społecznych, ekonomicznych, prawnych i innych uwarunkowań działalności inżynierskiej
	InzA_W05	zna typowe technologie inżynierskie w zakresie studiowanego kierunku studiów
Kryteria oceny	Ocena	Kryterium oceny
	2,0
	3,0	Student posiada dostateczna wiedzę o budowie, sposobach uczenia, testowania dokładności i zakresie stosowania sieci neuronowych.
	3,5
	4,0
	4,5
	5,0

Pole	KOD	Znaczenie kodu
Zamierzone efekty kształcenia	I_1A_O/1/5_U01	W wyniku zajęć student powinien posiadać umiejętność sformułowania rozwiązywanego problemu w sposób nadajacy się do użycia SSN, umiejętność określenia potrzebnego zbioru próbek i ich podziału na zbiór uczacy i testujacy w celu umożliwienia użycia sieci do rozwiązania problemu. Powinien także posiadać umiejetność posługiwania się profesjonalnymi programami sieci neuronowych do rozwiązywania problemów rzeczywistych i do oceny jakości tych rozwiązań.
Odniesienie do efektów kształcenia dla kierunku studiów	I_1A_U17	potrafi ocenić przydatność rutynowych metod i narzędzi rozwiązania prostego zadania inżynierskiego, typowego dla reprezentowanej dyscypliny inżynierskiej oraz wybrać i zastosować właściwą metodę i narzędzia
	I_1A_U12	umie praktycznie zastosować technologie informatyczne w organizacjach, ze szczególnym uwzględnieniem biznesu
	I_1A_U15	potrafi wykorzystywać poznane metody, modele matematyczne oraz symulacje komputerowe do rozwiązywania prostych problemów inżynierskich
	I_1A_U16	ma umiejętność wykrywania związków i zależności w procesach zachodzących w systemach rzeczywistych i tworzenia modeli komputerowych
Odniesienie do efektów zdefiniowanych dla obszaru kształcenia	T1A_U01	potrafi pozyskiwać informacje z literatury, baz danych oraz innych właściwie dobranych źródeł, także w języku angielskim lub innym języku obcym uznawanym za język komunikacji międzynarodowej w zakresie studiowanego kierunku studiów; potrafi integrować uzyskane informacje, dokonywać ich interpretacji, a także wyciągać wnioski oraz formułować i uzasadniać opinie
	T1A_U07	potrafi posługiwać się technikami informacyjno-komunikacyjnymi właściwymi do realizacji zadań typowych dla działalności inżynierskiej
	T1A_U08	potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski
	T1A_U09	potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich metody analityczne, symulacyjne oraz eksperymentalne
	T1A_U11	ma przygotowanie niezbędne do pracy w środowisku przemysłowym oraz zna zasady bezpieczeństwa związane z tą pracą
	T1A_U13	potrafi dokonać krytycznej analizy sposobu funkcjonowania i ocenić - zwłaszcza w powiązaniu ze studiowanym kierunkiem studiów - istniejące rozwiązania techniczne, w szczególności urządzenia, obiekty, systemy, procesy, usługi
	T1A_U14	potrafi dokonać identyfikacji i sformułować specyfikację prostych zadań inżynierskich o charakterze praktycznym, charakterystycznych dla studiowanego kierunku studiów
	T1A_U15	potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania prostego zadania inżynierskiego o charakterze praktycznym, charakterystycznego dla studiowanego kierunku studiów oraz wybrać i zastosować właściwą metodę i narzędzia
	T1A_U16	potrafi - zgodnie z zadaną specyfikacją - zaprojektować oraz zrealizować proste urządzenie, obiekt, system lub proces, typowe dla studiowanego kierunku studiów, używając właściwych metod, technik i narzędzi
Odniesienie do efektów kształcenia prowadzących do uzyskania tytułu zawodowego inżyniera	InzA_U01	potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe, interpretować uzyskane wyniki i wyciągać wnioski
	InzA_U02	potrafi wykorzystać do formułowania i rozwiązywania zadań inżynierskich metody analityczne, symulacyjne oraz eksperymentalne
	InzA_U04	potrafi dokonać wstępnej analizy ekonomicznej podejmowanych działań inżynierskich
	InzA_U05	potrafi dokonać krytycznej analizy sposobu funkcjonowania i ocenić - zwłaszcza w powiązaniu ze studiowanym kierunkiem studiów - istniejące rozwiązania techniczne, w szczególności urządzenia, obiekty, systemy, procesy, usługi
	InzA_U06	potrafi dokonać identyfikacji i sformułować specyfikację prostych zadań inżynierskich o charakterze praktycznym, charakterystycznych dla studiowanego kierunku studiów
	InzA_U07	potrafi ocenić przydatność rutynowych metod i narzędzi służących do rozwiązania prostego zadania inżynierskiego o charakterze praktycznym, charakterystycznego dla studiowanego kierunku studiów oraz wybrać i zastosować właściwą metodę i narzędzia
	InzA_U08	potrafi - zgodnie z zadaną specyfikacją - zaprojektować proste urządzenie, obiekt, system lub proces, typowe dla studiowanego kierunku studiów, używając właściwych metod, technik i narzędzi
Sposób oceny	S-4	Ocena podsumowująca: Sieci neuronowe i ich zastosowania- laboratorium Realizacja zadania domowego zleconego przez prowadzącego zajęcia lub sprawdzian polegajacy na rozwiazaniu zadań zleconych przez prowadzącego.
Sposób oceny	S-3	Ocena formująca: Sieci neuronowe i ich zastosowania - laboratorium Ocena aktywności studenta w rozwiązywaniu zadań zleconych przez prowadzącego i na podstawie prowadzonych dyskusji oraz wypowiedzi i odpowiedzi na pytania zwiazane z materiałem wykładowym.
Kryteria oceny	Ocena	Kryterium oceny
	2,0
	3,0	Student posiada dostateczna umiejętność stwierdzenia czy dany problem może być rozwiazany z użyciem sieci neuronowych i rozwiązania tego problemu z użyciem komputerowego programu sieci neuronowej.
	3,5
	4,0
	4,5
	5,0