Sveučilišni diplomski studij

Ak.g.2014./2015.2015./2016.2016./2017.2017./2018.

Nazad   Raspored   Engleski

Meko računarstvo DRAB2-03

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 149752

Loomen obavijesti
Pregled svih Loomen obavijesti

Grupe studenata

Prikaži sve grupe na predmetu

Nastavnici na predmetu

NYARKO EMMANUEL-KARLO, nositelj
FILKO DAMIR, suradnik

Ciljevi predmeta

Upoznati studente s načinima rada i primjenama neuronskih mreža, genetskih algoritama i neizrazite logike. Pokazati studentima mogućnosti korištenja neuronskih mreža, genetskog algoritma i neizrazite logike u rješavanju problema iz područja optimiranja, raspoznavanja uzoraka, automatskog upravljanja i ekspertnih sustava.

Uvjeti za upis predmeta

Ostvareni uvjeti za upis studija

Sadržaj

Usporedba mekog i klasičnog računarstva. Neuronske mreže. Osnovni pojmovi, vrste mreža, metode učenja. Primjena u obradi signala i raspoznavanju uzoraka. Genetski algoritmi. Podloga u evoluciji. Pojam jedinke i populacije, definiranje gena. Operatori rekombinacije i mutacije. Kriterijske funkcije. Primjene u optimiranju i izdvajanju značajki u raspoznavanju uzoraka. Neizrazita logika. Usporedba s klasičnom logikom, neizraziti skupovi. Funkcije pripadnosti, neizraziti operatori, pravila, defuzifikacija. Primjena u automatskom upravljanju i izgradnji ekspertnih sustava. Primjer integriranja opisanih metoda: podešavanje neizrazitog regulatora neuronskom mrežom i genetskim algoritmom.

Vrste izvođenja nastave

predavanjalaboratorijske vježbeostalo

Obveze studenata

Definirano Okvirima kriterija ocjenjivanja studenata FERIT-a i stavkom 1.9

Praćenje rada studenata

Definirano Okvirima kriterija ocjenjivanja studenata FERIT-a i stavkom 1.9

Osnovna literatura

1. Tettamanzi, A. G. B; Tomassini, M. Soft Computing: Integrating Evolutionary, Neural, and Fuzzy Systems. Springer-Verlag Berlin Heidelberg, 2001.

Pretraži literaturu

Dopunska literatura

1. A. G. B. Tettamanzi, M. Tomassini, Soft Computing: Integrating Evolutionary, Neural, and Fuzzy Systems, Springer-Verlag Berlin Heidelberg, 2001

2. B. Krose, P. van der Smagt, An introduction to neural networks, University of Amsterdam, 1996.

3. J.-S. R. Jang, C.-T. Sun, E.Mizutani, Neuro-Fuzzy and Soft Computing, Prentice Hall, 1997.

Način praćenja kvalitete i uspješnosti izvedbe kolegija

Provođenje sveučilišnih anketa o nastavnicima (pristup prema studentima, transparentnost kriterija, motivacija na
izvršavanje aktivnosti, jasnoća izlaganja, i sl.). Provođenje fakultetskih anketa o predmetima (nakon položenog predmeta
samoevaluacija studenata o usvojenim ishodima učenja, te o opterećenosti u usporedbi s ECTS-ima aktivnosti i predmeta
u cjelini).

Pregled ishoda učenja, nastavnih metoda i procjena ishoda učenja

Ishodi učenja:

1. Objasniti razliku između mekog i klasičnog računarstva;

2. Opisati osnovni princip rada genetskog algoritma;

3. Navesti nekoliko svojstava neuronskih mreža te navesti nekoliko primjena neuronskih mreža;

4. Objasniti razliku između neizrazite logike i klasične logike te navesti primjere gdje se neizrazita logika može primijeniti;

5. Primijeniti genetski algoritam u rješavanju problema iz područja optimiranja;

6. Primijeniti neuronske mreže u rješavanju problema iz područja raspoznavanja uzoraka.



Tablica ishoda vidljiva je samo na desktop verziji (min 600px širina pregleda)   Izvoz u Excel
Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje
Predavanja (PR), Laboratorijske vježbe (LV)

60
ECTS
2
- Objasniti razliku između mekog i klasičnog računarstva; - Opisati osnovni princip rada genetskog algoritma;- Navesti nekoliko svojstava neuronskih mreža te navesti nekoliko primjena neuronskih mreža;- Objasniti razliku između neizrazite logike i klasične logike te navesti primjere gdje se neizrazita logika može primijeniti;Predavanja (PR), Laboratorijske vježbe (LV) Evidentiranje nazočnosti. Minimum potreban za potpis iznosi:
70%

Ovim postotkom se definira i iznos Min za Broj radnih sati iz ove aktivnosti. Max za Broj radnih sati određen je studijskim programom.
Min

7
Max

10
Pisanje priprema za LV, analiza rezultata, te pisanje izvještaja Broj radnih sati
45
ECTS

1.5
- Primijeniti genetski algoritam u rješavanju problema iz područja optimiranja; - Primijeniti neuronske mreže u rješavanju problema iz područja raspoznavanja uzoraka.Laboratorijske vježbe (LV) Provjera pripreme za LV, nadzor provođenja LV-a, provjera napisanih izvještaja Min

15
Max

30
Priprema za usmeni ispit i usmeno odgovaranje na pitanja Broj radnih sati
30
ECTS

1
- Objasniti razliku između mekog i klasičnog računarstva; - Opisati osnovni princip rada genetskog algoritma;- Navesti nekoliko svojstava neuronskih mreža te navesti nekoliko primjena neuronskih mreža;- Objasniti razliku između neizrazite logike i klasične logike te navesti primjere gdje se neizrazita logika može primijeniti;- Primijeniti genetski algoritam u rješavanju problema iz područja optimiranja; - Primijeniti neuronske mreže u rješavanju problema iz područja raspoznavanja uzoraka.Usmeni ispit Provjera danih odgovora Min

18
Max

35
Projektni zadaci Broj radnih sati
15
ECTS

0.5
- Primijeniti genetski algoritam u rješavanju problema iz područja optimiranja; - Primijeniti neuronske mreže u rješavanju problema iz područja raspoznavanja uzoraka.Izrada projektnih zadataka Provjera rezultata projektnih zadataka, ocjena prezentacija Min

0
Max

25
Σ Aktivnosti Σ Broj radnih sati
150
Σ ECTS
5
Σ Max
100