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