Tematy projektów dla studentów IV roku spec. Informatyka `2009

Tematy projektów dla studentów IV roku spec. Informatyka ‘2009
WSTĘP DO SZTUCZNYCH SIECI NEURONOWYCH
1. Wstęp do modelowania neuronowego
( mózg a komputer szeregowy, podobieństwa i różnice, inspiracje)
2. Biologiczne właściwości mózgu cz.1
(ogólna budowa, typy neuronów, badanie struktury mózgu)
3. Biologiczne właściwości mózgu cz.2
(praca mózgu, obszary funkcyjne, narzędzia do analizy pracy mózgu, wyniki badań)
4. Sieci neuronowe cz.1
(inspiracja biologiczna, neuron biologiczny a neuron matematyczny – uproszczenia i
ich konsekwencje, typy neuronów)
5. Sieci neuronowe cz.2
(podziały, potencjalne zastosowania, zagadnienia klasyfikacyjne a problemy
regresyjne (def.), przewidywane kierunki rozwoju)
6. Problemy klasyfikacyjne
(ujęcie klasyczne, problem klasyfikacji liniowej oraz nieliniowej, metody
dyskryminacji jądrowej)
7. Problemy regresyjne
(zagadnienie regresji liniowej oraz nieliniowej, przykłady)
8. Budowa neuronu matematycznego (jednostki)
(struktura oraz typy neuronów matematycznych, charakterystyki działania neuronów,
neurony i ich aplikacje w sieciach neuronowych)
9. Topologie jednokierunkowych sieci neuronowych
(podziały, zasada działania sieci jednokierunkowych, rola funkcji PSP (funkcji
postsynaptycznych), rola funkcji aktywacji, metody doboru topologii sieci)
10. Funkcje aktywacji (PSP)
(charakterystyka oraz własności, ich rola w SNN, rodzaje oraz uwarunkowania,
aplikacje)
11. Zagadnienie separacji liniowej
(działanie klasyfikatorów liniowych, problemy separowalne liniowo (oraz nie
separowalne), problemy klasyfikacji liniowej, optymalizacja globalna, przykłady)
12. Zagadnienie separacji jądrowej
(działanie klasyfikatorów jądrowych (radialnych), problemy klasyfikacji jądrowej,
optymalizacja lokalna, przykłady)
TECHNIKI UCZENIA SIECI NEURONOWYCH JEDNOKIERUNKOWYCH
13. Uczenie z nauczycielem
(reguła „delta”, „klasyczne” algorytmy uczące, obszary zastosowania, nazwiska
twórców, heurystyczne techniki uczące, sieci uczone techniką „z nauczycielem”)
14. Uczenie bez nauczyciela
(reguła Hebba, inspiracja biologiczna, zastosowania, algorytmy uczące, sieci uczone
techniką „bez nauczyciela”)
WYBRANE TOPOLOGIE SIECI NEURONOWYCH JEDNOKIERUNKOWYCH
(bez sprzężenia zwrotnego)
15. Sieci neuronowe - sieci liniowe, Adaline, Madaline, perceptron prosty (Rosenblatta)
16. Sieci neuronowe - sieci typu MLP (perceptron wielowarstwowy), budowa, działanie,
zastosowania praktyczne
17. Sieci neuronowe - sieci typu RBF (radialne), budowa, zastosowania praktyczne
18. Sieci neuronowe - techniki tworzenia i modyfikacji zbioru uczącego (algorytmy
genetyczne, algorytm PCA, ICA)
19. Sieci neuronowe - sieci typu PNN (probabilistyczne), budowa, działanie zastosowania
praktyczne
20. Sieci neuronowe - sieci typu GRNN (realizujące regresję uogólnioną), budowa,
działanie, zastosowania praktyczne
21. Sieci neuronowe - sieci Kohonena, budowa, działanie, metody uczenia (analiza
skupień metodą k - średnich) zastosowania praktyczne, sieci komórkowe, algorytm
LVQ
22. Sieci neuronowe - sieci neuronowe Bayesa - budowa, działanie, zastosowania,
uogólnienia
WYBRANE TOPOLOGIE REKURENCYJNYCH SIECI NEURONOWYCH
(ze sprzężeniem zwrotnym)
23. Sieć Hopfielda, budowa, działanie, zastosowania praktyczne, pamięć asocjacyjna
24. Sieć Hamminga, budowa, działanie, zastosowania praktyczne
25. Dynamiczne sieci neuronowe, budowa, działanie, zastosowania praktyczne
PRZYKŁADY WYKORZYSTANIA MODELOWANIA NEURONOWEGO
26. Sieci neuronowe - prezentacja symulatora SNN
27. Sieci neuronowe - problem XOR w SNN
28. Sieci neuronowe - problem IRIS w SNN
29. Sieci neuronowe - problem BaroTrop w SNN
30. Sieci neuronowe w analizie obrazu
31. Sieci neuronowe w zagadnieniach predykcyjnych
32. Sieci neuronowe w sterowaniu
33. Sieci neuronowe w problemach klasyfikacyjnych
34. Obszary oraz przykłady wykorzystania modelowania neuronowego w praktyce
35. Perspektywy oraz przykłady wykorzystania technik neuronowych w praktyce rolniczej
ELEMENTY INTELIGENCJI OBLICZENIOWEJ
36. Heurystyczne techniki optymalizacyjne - problemy NP-zupełne, problemy
grupowania, przykłady
37. Niedeterministyczne metody optymalizacyjne cz.1 - algorytmy ewolucyjne
(genetyczne), zasada działania, obszary zastosowania
38. Niedeterministyczne metody optymalizacyjne cz.2 - algorytm mrówkowy, inspiracja
biologiczna, zastosowanie
39. Niedeterministyczne metody optymalizacyjne cz.3 - metoda symulowanego
wyżarzania (wychładzania), inspiracja fizyczna, obszary zastosowania
40. Randomizowane algorytmy optymalizacyjne cz.1- generatory liczb pseudolosowych,
podstawy teoretyczne, obszary zastosowania
41. Randomizowane algorytmy optymalizacyjne cz.2 - metody Monte Carlo, algorytmy
Las Vegas, obszary zastosowania, przykłady
42. Zbiory rozmyte - inspiracja biologiczna, algebra rozmyta, obszary zastosowania
TENDENCJE W TECHNIKACH INFORMATYCZNYCH
43. Procesor ”krzemowy”
44. Procesor neuronowy
45. Procesor „organiczny” - bioprocesor
46. Procesor „magnetyczny”
47. Procesor spinowy - spintronika
48. Procesor kwantowy