Sveučilišni diplomski studij

Nazad   Raspored   Engleski

Meko računarstvo DRb2-03-18

ECTS 5 | P 30 | A 0 | L 30 | K 0 | ISVU 149752 | Akademska godina: 2018./2019.

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.

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


Pretraži literaturu na:

Dopunska literatura

1. 1 B. Krose, P. van der Smagt An introduction to neural networks University of Amsterdam, 1996.

2. 2 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. usporediti meko i klasično računarstvo

2. opisati osnovni princip rada genetskog algoritma

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

4. usporediti neizrazitu logiku s klasičnom logikom te navesti primjere gdje se neizrazita logika može primijeniti

5. prilagoditi genetski algoritam u rješavanju problema iz područja optimiranja

6. dizajnirati neuronsku mrežu za rješavanje problema iz područja raspoznavanja uzoraka



Aktivnosti studenta:

Aktivnost studenta Broj radnih sati ECTS (Broj radnih sati/30) Ishod(i) učenja Nastavna
metoda
Metoda procjene Bodovi
Pohađanje Predavanja (PR), Laboratorijske vježbe (LV)6021,2,3,4Predavanja (PR), Laboratorijske vježbe (LV)Predavanja (PR), Laboratorijske vježbe (LV)710
Pisanje priprema za LV, analiza rezultata, te pisanje izvještaja451.55,6Laboratorijske vježbe (LV)Provjera pripreme za LV, nadzor provođenja LV-a, provjera napisanih izvještaja1530
Priprema za usmeni ispit i usmeno odgovaranje na pitanja3011,2,3,4,5,6Usmeni ispitProvjera danih odgovora1835
Creating project tasks150.55,6Izrada projektnih zadatakaProvjera rezultata projektnih zadataka, ocjena prezentacija025