Geum.ru

Рабочая программа дисциплины «нейроинформатика» Рекомендуется для направления подготовки

Вид материалаРабочая программа

Содержание


2. Место дисциплины в структуре ООП
3. Требования к результатам освоения дисциплины
Код компетенции
4. Объем дисциплины и виды учебной работы
Аудиторные занятия (всего)
Самостоятельная работа (всего)
5. Содержание дисциплины
6. Форма итогового контроля
8. Учебно-методическое и информационное обеспечение дисциплины
Перечень обучающих компьютерных программ, мультимедиа и т.п.
9. Материально-техническое обеспечение дисциплины
10. Методические рекомендации по изучению дисциплины
Подобный материал:
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ И ФИНАНСОВ

РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ

«НЕЙРОИНФОРМАТИКА»

Рекомендуется для направления подготовки

230700 Прикладная информатика

Квалификация выпускника – бакалавр

Санкт-Петербург

2011 год

1. Цели и задачи дисциплины:

Цели
  • ознакомить студентов с новой перспективной областью информатики;
  • научить студентов квалифицированно использовать аппарат нейронных сетей для решения прикладных задач;
  • дать представление о прикладных программных средствах, основанных на нейронных сетях;
  • дать представления об инструментальном ПО для обучения нейронных сетей и экспериментов с ними;
  • подготовить студентов к использованию нейросетевых технологий в научно-исследовательской деятельности;
  • дать представление о состоянии и тенденциях развития нейроинформатики как науки, связанной с разработкой устройств переработки информации на основе принципов работы естественных нейронных систем.
  • о навыках разработки и использования нейросетевых архитектур в различных прикладных областях (основные сферы производственного цикла, финансово-экономические информационные системы).


Задачи

В результате изучения учебного курса и практических занятий студенты должны:
  • иметь представление о нейросетевых технологиях и наиболее перспективных прикладных сферах их применения;
  • должны приобрести навыки формализация задач построения математических моделей, освоить основные средства дискриминации математических моделей, и получить навыки приближения многомерных данных.
  • знать основные методы разработки и принципы нейросетевых систем и специфику актуальных проблемных областей;
  • уметь работать с различными моделями представления знаний и обосновывать выбор той или иной модели в зависимости от характера предметной области и специфики решаемых задач, компоновать структуру интеллектуальной прикладной системы;
  • владеть навыками работы с основными инструментальными средствами проектирования интеллектуальных систем;
  • иметь опыт проектирования и разработки демонстрационного прототипа нейросетевой системы для решения оптимизационных задач в рамках конкретной предметной области.



Для проведения практических занятий разработаны темы заданий и обеспечивающее программное обеспечение для лабораторных работ, предназначенных для овладения навыками использования интеллектуальных технологий, что будет способствовать пониманию и закреплению у студентов как теоретического материала, так и практических навыков исследования реальных процессов и ситуаций с использованием фактических данных. Это позволит формировать и развивать у студентов навыки решения конкретных проблем анализа и синтеза в различных областях экономики.


После изучения дисциплины студент должен знать содержание:
  • принципов постановки задач для решения с помощью нейронных сетей;
  • методов представления данных для обучения и использования нейронных сетей;
  • методов обучения нейронных сетей и оценки качества обучения нейронной сети;
  • этапов решения задач с помощью нейронных сетей.



2. Место дисциплины в структуре ООП:


Учебная дисциплина «Нейроинформатика» относится к циклу специальных дисциплин государственного образовательного стандарта высшего профессионального образования по специальности «Прикладная информатика».

Для изучения курса необходимы знания, умения и компетенции студента, которые студент получил при изучении дисциплин:
  • «Информационные системы»;
  • «Теория систем и системный анализ»;
  • «Информационные системы и технологии»;
  • «Корпоративные информационные системы»;

Знания, умения и навыки, приобретенные в результате изучения

дисциплины «Нейромнформатика» могут быть полезны при изучении других дисциплин, связанных с вопросами разработки, эксплуатации ИС, а также в практике принятия управленческих решений.

Дисциплина «Нейроинформатика» является завершающей в подготовке бакалавров специальности 230700 и читается в 8 семестре.


3. Требования к результатам освоения дисциплины:

Процесс изучения дисциплины направлен на формирование следующих компетенций:


Код компетенции
Название компетенции

ОК-3
Способен работать в коллективе, нести ответственность за поддержание партнерских, доверительных отношений

ОК-5
Способен самостоятельно приобретать и использовать в практической деятельности новые знания и умения, стремиться к саморазвитию

ПК-1
Способен использовать нормативные правовые документы в профессиональной деятельности

ПК-4
Способен ставить и решать прикладные задачи с использованием современных информационно-коммуникационных технологий

ПК-9
Способен моделировать и проектировать структуры данных и знаний

ПК-16
Способен оценивать и выбирать современные операционные среды и информационно-коммуникационные технологии для информатизации и автоматизации решения прикладных задач и создания ИС

ПК-17
Способен применять методы анализа прикладной области на концептуальном, логическом, математическом и алгоритмическом уровнях

ПК-19
Способен анализировать рынок программных средств, информационных продуктов и услуг для решения прикладных задач и создания информационных систем

ПК-22
Способен готовить обзоры научной литературы и электронно-образовательных ресурсов для профессиональной деятельности


В результате изучения дисциплины студент должен

знать
  • области применения НС;
  • базовые понятия, модели НС;
  • основные типы нейросетевых классификаторов;


уметь
  • ориентироваться в различных типах прикладных систем, основанных на использовании нейронных сетей;
  • ориентироваться в различных методах представления данных для обучения нейронной сети;
  • выбирать и ставить задачу для решения ее нейронной сетью;
  • выбирать модель нейронной сети для решения конкретных прикладных задач.


иметь представление
  • о современных направлениях развития нейронных сетей и программных реализациях нейросетевых технологий;
  • прикладных задачах, решаемых с привлечением НС в области экономики, управления предприятием и принятия управленческих решений.


владеть
  • навыками работы с основными инструментальными средствами проектирования и реализации НС.


4. Объем дисциплины и виды учебной работы

Общая трудоемкость дисциплины составляет 2 зачетные единицы.

Вид учебной работы
Всего часов







Аудиторные занятия (всего)
36

В том числе:



Лекции
20

Практические занятия (ПЗ)
16

Лабораторные работы (ЛР)



Самостоятельная работа (всего)
36

В том числе:



Расчетно-графические работа
22

Реферат
14

Вид промежуточной аттестации (зачет)



Общая трудоемкость


72 час

2 зач. ед.



5. Содержание дисциплины


№

п/п
Наименование

тем и разделов
ВСЕГО

(часов)
Аудиторные занятия (час)
Самостоя-тельная работа

в том числе

Лекции
Практика

1.
Введение. Возможности нейронных сетей.
4
2

0
2

2.
ссылка скрыта. ссылка скрыта.
4
2
0
2

3.
Сети естественной классификации. Обучение без учителя
16
4
4
8

4.
Нейронные сети ассоциативной памяти.
12
3
3
6

5.
Нейронные сети в решении задач Data Mining
8
2
2
4

6.
Представление знаний в интеллектуальных системах
8
2
2
4

7.
Алгоритмы обучения нейронных сетей

8
2
2
4

8.
Эволюционные вычисления
8
2
2
4




Общая трудоемкость, час

зач. ед.
68
20
16
34

2
0,5
0,5
1


ТЕМА 1. Введение. Возможности нейронных сетей. Предмет и задачи курса. Отличия нейрокомпьютеров от компьютеров ФонНеймана. Задачи, решаемые в настоящее время с помощью нейронных сетей. Основные направления в нейроинформатике.

ТЕМА 2. ссылка скрыта. ссылка скрыта. Классификация по структуре сети (связей между нейронами), особенностям модели нейрона, особенностям обучения сети.

ТЕМА 3. Сети естественной классификации. Обучение без учителя. Задача естественной классификации. Основные методы решения. Метод динамических ядер и сети Кохонена.

ТЕМА 4. Нейронные сети ассоциативной памяти. Оптимизирующие нейронные сети. Сети Хопфилда.

ТЕМА 5. Нейронные сети в решении задач Data Mining. Задачи Data Mining, решаемые посредством НС. Архитектурные решения НС для целей Data Mining. Многослойные НС. Самообучающиеся НС. НС для визуализации многомерных данных.

ТЕМА 6. Представление знаний в интеллектуальных системах. Проблемы представления и моделирования знаний. Продукционные и логические модели представления знаний. Логические модели. Исчисление предикатов. Представление и формализация нечетких знаний. Нейронные сети.

ТЕМА 7. Алгоритмы обучения нейронных сетей. Обучающие множества, сходимость процесса обучения нейронной сети, критерии ошибок. Классификация алгоритмов обучения и способов преобразования входной информации. Алгоритм обратного распространения ошибки. Генетические алгоритмы.

ТЕМА 8. Эволюционные вычисления. Эволюционные методы в НС. Эволюционные Стратегии.

6. Форма итогового контроля


Итоговой формой контроля является зачёт по дисциплине.


7. Примерная тематика курсовых работ

Курсовой работы по дисциплине не предусмотрено.


8. Учебно-методическое и информационное обеспечение дисциплины

В список литературы включены различные источники, а тематика и последовательность работы с материалами курса определяется лекциями и Программой учебного курса.
  1. Основная литература
    1. Искусственный интеллект: В 3-х кн.: Справочник.-М.:Радио и связь, 2007.
    2. Нильсон Н. Принципы искусственного интеллекта.-М.:Радио и

связь,2008.
  1. Дополнительная литература
    1. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 400с.
    2. Киселев М.В. «Алгоритмы Data Mining». Курс лекций. Компания «Мегапьютер». 2001.
    3. Киселев М., Соломатин Е.. Средства добычи знаний в бизнесе и финансах. — Открытые системы, № 4, 1997.
    4. Дюк В.А. Обработка данных на ПК в примерах. — СПб: Питер, 1997.
    5. Дюк В.А. «От данных к знаниям – новые возможности обработки баз данных». Санкт-Петербургский институт информатики и автоматизации Российской Академии Наук.
    6. Knowledge Discovery Through Data Mining: What Is Knowledge Discovery? — Tandem Computers Inc., 1996.
    7. Геловани В.А., Бритков В.Б. Интеллектуальные методы в задачах анализа больших объемов информации для поддержки принятия решений. Проблемы управления безопасностью сложных систем: Материалы IХ международной конференции-М.: ИПУ РАН, 2001 г.



  1. Перечень обучающих компьютерных программ, мультимедиа и т.п.

Программа курса предусматривает проведение серии лабораторных работ для овладения навыками использования интеллектуальных технологий и когнитивных методов при решении управленческих экономических задач с использованием программных продуктов «Matlab» и «Fann Explorer».

  1. Базы данных, информационно-справочные и поисковые системы
  • ofollow" href=" " onclick="return false">ссылка скрыта
  • ofollow" href=" " onclick="return false">ссылка скрыта
  • каталог электронных ресурсов кафедры (методические указания по выполнению лабораторных и практических работ, другие учебные материалы; и литература по дисциплине).


9. Материально-техническое обеспечение дисциплины:
  • компьютерный класс, оборудованный для проведения лекционных и практических занятий средствами оргтехники, персональными компьютерами, объединенными в сеть с выходом в Интернет;
  • установленное лицензионное программное обеспечение.

10. Методические рекомендации по изучению дисциплины


Для достижения цели получения наиболее полных знаний и умений в рамках изучения курса предусмотрены следующие виды занятий:
    • лекционные, создающие общее представление о структуре и содержании дисциплины, а также предоставляющие необходимый минимум знаний в рамках изучаемой дисциплины;
    • лабораторные занятия в компьютерном классе, позволяющие усвоить первичные навыки работы с новыми программными продуктами, а также визуализировать и закрепить знания, полученные во время лекционных занятий; Успешность освоения нового материала контролируется в среднем ежемесячно, с целью контроля усвоения материалов по разделам.
    • Самостоятельная работа студента. Может включать работу с электронными учебниками и учебными пособиями, изучение программных продуктов и сред моделирования в целях расширения полученных в рамках аудиторных занятий знаний и умений, для подготовки к семинарским занятиям, тестовому контролю и зачету. Можно также рекомендовать ознакомление со свежими новостями отрасли через изучение периодических изданий, посвященных изучаемой тематике. Кроме того, в рабочей программе дисциплины содержится список обязательной и рекомендуемой литературы для самостоятельного изучения студентом. Для работы с литературными источниками рекомендуется использовать фонды библиотеки Университета, научных залов РНБ и др. библиотек. Допускается также использование ресурсов internet.

Периодический контроль знаний осуществляется в форме тестов, где будет предложено несколько вариантов ответов с необходимостью выбора верного или нескольких верных вариантов. Предусмотрена также работа над рефератом по выбранной из списка теме. Тема может быть разработана и предложена самим студентом при обязательном согласовании с преподавателем до начала работы над рефератом. На подготовку реферата отводится две недели с последующей защитой через выступление перед аудиторией. Оценка за реферат складывается из оценки качества и грамотной компоновки подобранного материала, качества оформления и презентации работы.

Конечный контроль знаний предусматривает проведение устного зачета в рамках перечня зачетных тем. Для подготовки помимо материалов лекций и учебных пособий необходимо использование дополнительной литературы по теме. Студентом должно быть продемонстрировано также знание примеров практического использования изучаемых технологий в экономике, производственной и научной сферах.

. Итоговая оценка знаний студентов проводится на основе работы в течение семестра.


Самостоятельная работа студентов
3 семестр

Количество баллов

Зачетный минимум
Зачетный максимум

Расчетно-графические работа
30
65

Реферат
25
35

Итого:
60
100


Разработчик:

СПбГУЭФ, кафедра информатики, доц. Л.Г. Нестерук


Эксперты:


ЗАО «Энергопроект

по развитию ММ» ген. директор М.К. Казаков

____________________ ___________________ ________________________

(место работы) (занимаемая должность) (инициалы, фамилия)