MSI/ZIPuN/W

From WikiZMSI

Spis treści 1 Zaliczenie wykładów 2 Wykład 1 --- Zasady budowy sterowników rozmytych 2.1 Literatura 2.2 Lista zagadnień omówionych na wykładzie 3 Wykład 2 i 3 --- Sztuczne sieci neuronowe 3.1 Literatura 3.2 Lista zagadnień omówionych na wykładach 4 Wykład 4 --- Algorytmy genetyczne (AG) 4.1 Literatura 4.2 Lista zagadnień omówionych na wykładach

Zaliczenie wykładów

W związku z niewielką liczbą godzin zaliczenie wykładów odbędzie sie poza godzinami zajęć i będzie miało formę ustną w terminie wyznaczonym przez prowadzącego. Propozycje terminu zaliczenia można wskazać drogą mailową. Znajomość zagadnień z podanych list będzie wystarczająca do uzyskania zaliczenia.

Wykład 1 --- Zasady budowy sterowników rozmytych

Literatura

1. L. Rutkowski "Metody i techniki sztucznej inteligencji" w tym rozdziały: 4.2, 4.3, 4.8, 4.9

Lista zagadnień omówionych na wykładzie

(nie jest to wersja ostateczna)

1. Co to jest sterownik?
2. Czym różni się sterownik rozmyty od konwencjonalnego (PI, PID)?
3. Jaka jest różnica pomiędzy logiką boolowską i logiką rozmytą? (przykłady wyjaśniające różnicę)
4. Definicja zbioru rozmytego.
5. Jaką postać mają reguły opisujące działanie sterownika rozmytego?
6. Co to jest zmienna lingwistyczna i wartości lingwistyczne? (przykłady)
7. Model sterownika rozmytego.
8. Na czym polega faza rozmywania (fuzyfikacji)?
9. Typy funkcji przynależności.
10. Jeżeli z czujnika sterownika pobrana jest dla pewnej zmiennej X wartość ostra x, to jaki będzie wynik rozmycia dla dowolnie przyjętych wartości lingwistycznych dla owej zmiennej? (X i x mogą być zadane)
11. Podać trzy sposoby reprezentacji bazy reguł wykorzystywanej w bloku wnioskowania. (na przykładzie)
12. Na czym polega proces inferencji (wnioskowania)?
13. Jeżeli dana jest baza reguł RB1 i wiemy, że wynikiem rozmycia jest μA(x)=a, μB(x)=b i μC(y)=c, to co jest wynikiem inferencji? (A,B,C, i a,b,c mogą być zadane)
14. Na czym polega proces rozmywania (defuzyfikacji)?
15. Jakie metody rozmywania stosuje się w sterownikach rozmytych?
16. Jaki będzie wynik wyostrzenia (defuzyfikacji) jeżeli w wyniku wnioskowania uzyskano, że zmienna wyjściowa należy do zbiorów rozmytych A i B z μA=a i μB=b? (A,B i a,b mogą być zadane)

Wykład 2 i 3 --- Sztuczne sieci neuronowe

Literatura

1. L. Rutkowski "Metody i techniki sztucznej inteligencji" w tym rozdziały: 6.1, 6.2, 6.3.1
2. Materiały w języku angielskim z przykładami
3. Internetowy podręcznik by StstSoft

Lista zagadnień omówionych na wykładach

1. Budowa komórki nerwowej.
2. Model sztucznego neuronu z jednym wejściem.
3. Obliczyć wyjście z neuronu gdy dane są parametry sieci (wagi) i wejścia.
4. Jakie znaczenie ma bias w neuronie?
5. Funkcje transferu (jakie są i jak wypływają na uzyskiwane wyniki).
6. Model neurony wielowejściowego.
7. Różne architektury sztucznych sieci neuronowych (działanie i budowa):
   • Sieć jednokierunkowa jednowarstwowa
   • Sieć jednokierunkowa wielowarstwowa
   • Sieć rekurencyjna
8. Klasyfikacja owoców (jabłka i pomarańcze) na przykładzie sieci typu perceptron (jednokierunkowa jednowarstwowa) i Hopfield (rekurencyjna)
9. Jak dobiera się architekturę sieci do zadania?
10. Sztuczna sieć neuronowa typu perceptron.
11. Obliczanie perceptronu.
12. Geometryczna interpretacja działania perceptronu. Wyznaczanie wag geometrycznie.
13. Pojęcie granicy decyzyjnej (płaszczyzny separacji). Wzór na płaszczyznę.
14. Przykłady problemów klasyfikacji separowalnych liniowo.
15. Uczenie regułą perceptronu - algorytm.
16. Co to jest epoka uczenia.
17. Odręczna symulacja procesu uczenia regułą perceptronu.
18. Uczenie nadzorowane (z nauczycielem) i nienadzorowane (bez nauczyciela) SSN.

Wykład 4 --- Algorytmy genetyczne (AG)

Literatura

1. L. Rutkowski "Metody i techniki sztucznej inteligencji" w tym rozdziały: 7.1, 7.2, 7.3.1 do strony 244, 7.4.2, 7.4.4, 7.4.5, 7.4.6, 7.4.7
2. Aplety demonstrujące działanie algorytmów ewolucyjnych
3. Wstęp do algorytmów genetycznych
4. Przykłady zastosowania AG
5. Przydatne slajdy z teorią (od slajdu 15

Lista zagadnień omówionych na wykładach

1. Na czym polega zadanie optymalizacji
2. Kroki algorytmu genetycznego
3. Co to jest funkcja przystosowania, chromosom, gen, generacja, populacja?
4. Na czym polega selekcja i jaki jest cel tej operacji? Znać metody selekcji: ruletki, turniejową i elitaryzm
5. Na czym polega krzyżowanie i jaki jest cel tej operacji? Znać metody krzyżowania: jednopunktowe, jednorodne, uśredniające
6. Na czym polega mutacja i jaki jest cel tej operacji? Znać metody mutacji: jednopunktową, dla chromosomów o wartościach rzeczywistych
7. Jakie typy kodowania stosuje się w AG i dla jakich zadań?