• Nazwa przedmiotu: Sztuczne sieci neuronowe – budowa, zastosowanie, możliwości. Rozpoznawanie i klasyfikacja obrazów i wzorców (diagnostyka), rekonstrukcja danych cyfrowych
• Forma zajęć: wykład + laboratorium
• Liczba godzin: 8h wykładów + 16h laboratoriów
• Język prowadzenia: polski / angielski (opcjonalnie)

Opis przedmiotu

Przedmiot dotyczy sztucznych sieci neuronowych, ich architektury, zasad działania oraz współczesnych zastosowań, zwłaszcza w analizie obrazów i danych diagnostycznych. Omówione zostaną różne typy sieci (MLP, CNN, RNN, GAN), ich rola w klasyfikacji wzorców, segmentacji oraz rekonstrukcji danych. Studenci nabędą umiejętności projektowania, trenowania i oceny modeli neuronowych na rzeczywistych zbiorach danych.

Cele przedmiotu

• Zapoznanie uczestników z podstawami teoretycznymi sztucznych sieci neuronowych.
• Przedstawienie możliwości i ograniczeń zastosowań SSN w rozpoznawaniu obrazów i danych medycznych.
• Nauka projektowania i trenowania modeli neuronowych w praktyce.
• Wprowadzenie do metod rekonstrukcji danych cyfrowych przy użyciu deep-learningu.
• Wykorzystanie dostępnych rozwiązań w zakresie analizy i przetwarzania danych cyfrowych.
• Kwestie etyczne dotyczące Sztucznej Inteligencji.

Efekty uczenia się

• Wiedza:
  • Zna podstawowe architektury SSN i ich funkcje.
  • Rozumie mechanizmy działania warstw konwolucyjnych i rekurencyjnych.
• Umiejętności:
  • Potrafi zaprojektować i zaimplementować sieć neuronową dla zadania analizy i klasyfikacji cyfrowych danych medycznych.
  • Potrafi zaprojektować i zaimplementować sieć neuronową dla zadania klasyfikacji obrazów.
  • Umie korzystać z bibliotek takich jak TensorFlow, PyTorch, Keras.
  • Potrafi dokonać analizy skuteczności modelu i dobrać odpowiednie metryki.
• Kompetencje społeczne:
  • Wykazuje gotowość do rozwiązywania złożonych problemów z wykorzystaniem uczenia maszynowego.

Treści programowe

Wykłady

1. Wprowadzenie do sztucznych sieci neuronowych – rys historyczny, zastosowania
2. Budowa perceptronu, funkcje aktywacji, funkcje kosztu
3. Rozpoznawanie i klasyfikacja obrazów
4. Zastosowania w diagnostyce medycznej – case study
5. Rekonstrukcja danych
6. Etyka, AI w społeczeństwie i interpretowalność modeli

Laboratoria

1. Wprowadzenie do TensorFlow / PyTorch – podstawy
2. Budowa i trenowanie prostej sieci MLP
3. Klasyfikacja obrazów z wykorzystaniem CNN (np. MNIST, CIFAR-10)
4. Transfer learning z wykorzystaniem gotowych modeli (ResNet, VGG)
5. Segmentacja obrazów medycznych (np. U-Net)
6. Kompresja i rekonstrukcja danych
7. Wprowadzenie do GAN – generowanie nowych danych
8. Projekt końcowy – własna aplikacja wykorzystująca sieci neuronowe

Sposób prowadzenia zajęć

Informacje już wkrótce
Opłaty

Informacje już wkrótce

Zapisy

Informacje już wkrótce