Program laboratoriów

1. 25.02/05.03. Wprowadzenie
   • wybrane zastosowania sztucznej inteligencji (SI) sztuczna inteligencja na Wikipedii
   • systemy uczące się (SUS) (opis na Wikipedii)
   • podstawowe typy problemów z zakresu SUS (uczenie nadzorowane: klasyfikacja, regresja; uczenie nienadzorowane: grupowanie, PCA; uczenie ze wzmocnieniem)
   • oprogramowanie: Toolbox Netlab dla MATLAB-a
   • Wprowadzenie do MATLAB-a dla uczenia maszynowego (po angielsku)
   • NETLAB: pliki pomocy
   • przykład: klasyfikacja binarna w Netlabie za pomocą uogólnionego modelu liniowego (GLM), plik demglm1.m
2. 12.03/19.03. Zadania klasyfikacji za pomocą sieci neuronowej typu GLM i MLP
   • uczenie perceptronu, perceptron.m
   • automatyczne rozpoznawanie tablicy rejestracyjnej pojazdu w czasie rzeczywistym opis na Wikipedii (ang.)
   • przykład rozpoznawania tablicy rejestracyjnej pojazdu w czasie rzeczywistym raport z projektu
   • przykład systemu do rozpoznawania tablic rejestracyjnych pojazdów NeuroCAR - Optyczna Identyfikacja Pojazdów firmy NeuroSoft
   • przykład rozpoznawania kodu pocztowego raport z projektu
   • rozpoznawanie ręcznie pisanych cyfr, 1000 przykładów cyfr ze zbioru MNIST
   • przykład klasyfikacji binarnej dla cyfr 0 i 1 za pomocą sieci typu GLM, plik demo w MATLAB-ie
   • przykład klasyfikacji binarnej dla cyfr 0 i 1 za pomocą sieci typu MLP, plik demo w MATLAB-ie
   • A. Bartkowiak, notatki do wykładów z Sieci Neuronowych opis uogólnionego modelu liniowego (GLM) w Netlabie,
3. 27.03/03.04. Zadania klasyfikacji za pomocą sieci neuronowej typu GLM i MLP, c.d.
   • zbiór cyfr pisanych ręcznie do testowania, 5000 przykładów cyfr ze zbioru MNIST
   • zbiór cyfr pisanych ręcznie do testowania, 10000 przykładów cyfr ze zbioru MNIST
4. 10.04/17.04. Algorytmy genetyczne
   • Algorytm genetyczny (opis na Wikipedii)
   • P. Jarosz, notatki do laboratorium z algorytmów genetycznych
   • Genetic Algorithm Toolbox (GAT)
   • przykład: optymalizacja funkcji za pomocą PAG plik dempag1.m
   • przykład: optymalizacja funkcji za pomocą PAG plik funkcja celu.m
5. 17.04/24.04. Algorytmy genetyczne, c.d.
   • funkcja celu dla optymalizacji wektora wejść sieci GLM plik funkcja_celu_glm.m
   • funkcja celu dla optymalizacji wektora wejść sieci MLP plik funkcja_celu_mlp.m
6. 15.05/15.05. Systemy wnioskowania rozmytego
   • Wikipedia: Logika rozmyta
   • Scholarpedia: Fuzzy Logic
   • Wikipedia: Fuzzy control system
7. 29.05/29.05. Test zaliczeniowy.

Warunki zaliczenia

1. obecność na zajęciach (dopuszczalne 2 nieobecności)
2. zaliczenie 3 ćwiczeń
3. zaliczenie testu jednokrotnego wyboru (20 pytań) z zakresu zaj. lab.

Prowadzący zajęcia

• dr inż. Marek Słoński