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: 2019./2020.

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: Vidi tablicu aktivnosti