Page 1 of 11
Харківський національний університет радіоелектроніки
Факультет Автоматики і комп’ютеризованих технологій
(повна назва)
Кафедра Комп’ютерно-інтегрованих технологій, автоматизації
та робототехніки
(повна назва)
ЗАТВЕРДЖУЮ
Декан факультету АКТ
_______ Олександр ФИЛИПЕНКО
(підпис)
«28» серпня 2024 р.
РОБОЧА ПРОГРАМА НАВЧАЛЬНОЇ ДИСЦИПЛІНИ
Нейротехнології та нейрокомп’ютерні системи
(назва навчальної дисципліни)
рівень вищої освіти Другий (магістерський)
(бакалаврський, магістерський, освітньо-науковий)
спеціальність 174 Автоматизація, комп’ютерно-інтегровані технології та
робототехніка
(код і повна назва спеціальності)
освітня-професійна програма Комп’ютеризовані та робототехнічні системи
(повна назва програми)
Харків – 2024 р.
Page 2 of 11
Розробник:
Олександр ЦИМБАЛ, професор кафедри КІТАР ХНУРЕ, д.т.н., професор
Робочу програму схвалено на засіданні кафедри КІТАР
Протокол від « 28 » червня 2024 року No 45
Завідувач кафедри КІТАР ___________ Ігор НЕВЛЮДОВ
(підпис)
Гарант освітньої програми _______ Світлана МАКСИМОВА
(підпис)
Схвалено методичною комісією факультету Автоматики і комп’ютеризованих
технологій
Протокол від « 28 » серпня 2024 року No 1
Голова методичної комісії ___________ Тетяна СТИЦЕНКО
(підпис)
Page 3 of 11
1 ОПИС НАВЧАЛЬНОЇ ДИСЦИПЛІНИ
Найменування показників
Характеристика навчальної
дисципліни*
денна форма
навчання
заочна форма
навчання
Кількість кредитів ЄКТС* – 5 Вибіркова
Змістових модулів – 2
Рік підготовки:
1-й
Індивідуальних завдань*
курсова робота (проєкт) – 0
Семестр
Загальна кількість годин* – 150
2-й
Кількість годин
150
Навчальні заняття:
1)лекції, год
Мова навчання – українська
34
2) практичні, год
-
3) лабораторні, год
16
4) консультації, год
10
Самостійна робота, год
90
в тому числі: 1) РГЗ та КР, год.
-
2) курсова робота (проєкт), год
-
Вид контролю
екзамен
Примітка.
* Відомості з навчального плану
Page 4 of 11
2 МЕТА ДИСЦИПЛІНИ ТА ОЧІКУВАНІ РЕЗУЛЬТАТИ З ЇЇ ВИВЧЕННЯ
Метою дисципліни є вивчення сучасного стану теорії штучних нейронних
мереж та нейрокомп’ютерів, засобів їх застосування у розв’язанні завдань
комп’ютеризованих та робототехнічних систем, методик застосування їх для
розв’язання реальних завдань сучасного виробництва.
Завдання полягає у набутті теоретичних та практичних знань в галузі
дослідження та застосування нейроподібних систем та нейрокомп’ютерів.
Спеціальні компетентності:
СК07. Здатність застосовувати спеціалізоване програмне забезпечення та
цифрові технології для розв’язання складних задач і проблем автоматизації та
комп’ютерно-інтегрованих технологій.
СК10. Здатність застосовувати стандартне та розробляти нове
алгоритмічне та програмне забезпечення пристроїв керування та сенсорних
систем маніпуляційних та мобільних роботів.
Програмні результати навчання:
РН01. Створювати системи автоматизації, кіберфізичні виробництва на
основі використання інтелектуальних методів управління, баз даних та баз знань,
цифрових та мережевих технологій, робототехнічних та інтелектуальних
мехатронних пристроїв.
РН08. Застосовувати сучасні математичні методи, методи теорії
автоматичного керування, теорії надійності та системного аналізу для
дослідження та створення систем автоматизації складними технологічними та
організаційно-технічними об’єктами, кіберфізичних виробництв.
Page 5 of 11
3 ПРОГРАМА НАВЧАЛЬНОЇ ДИСЦИПЛІНИ
Змістовий модуль 1. Вступ до систем паралельної обробки інформації та
нейрокомп’ютери
Тема 1. Вступ до систем з паралельною організацією обчислювальних
процесів. Тема 2. Моделі операційних блоків нейрокомп’ютерів.
Тема 3. Методи конструювання нейронних мереж.
Тема 4. Розв’язання прикладних завдань засобами штучних нейронних
мереж.
Тема 5. Методи навчання штучних нейронних мереж.
Змістовий модуль 2. Моделі штучних нейронних мереж та їх застосування
у нейрокомп’ютерах
Тема 1. Моделі штучних нейронних мереж із навчанням.
Тема 2. Моделі штучних нейронних мереж із самонавчанням.
Тема 3. Гібридні штучні нейронні мережі.
Тема 4. Програмна реалізація штучних нейронних мереж.
Тема 5. Апаратна реалізація штучних нейронних мереж.
Page 6 of 11
4 СТРУКТУРА НАВЧАЛЬНОЇ ДИСЦИПЛІНИ
Назви змістових модулів і
тем
Кількість годин
денна форма Заочна форма
усього у тому числі усього у тому числі
лк пз лаб конс с.р. лк пз лаб конс с.р.
1 2 3 4 5 6 7 8 9 10 11 12 13
Змістовий модуль 1. Вступ до систем паралельної обробки інформації та нейрокомп’ютери
Тема 1. Вступ до систем з
паралельною організацією
обчислювальних процесів
11 3 8
Тема 2. Моделі операційних
блоків нейрокомп’ютерів
13 3 2 8
Тема 3. Методи
конструювання нейронних
мереж
15 3 4 8
Тема 4. Розв’язання
прикладних завдань
засобами штучних
нейронних мереж
13 3 2 8
Тема 5. Методи навчання
штучних нейронних мереж
16 4 4 8
Разом за зміст. модулем 1 68 16 8 4 40
Змістовий модуль 2. Моделі штучних нейронних мереж та їх застосування у
нейрокомп’ютерах
Тема 1. Моделі штучних
нейронних мереж із
навчанням.
13 3 10
Тема 2. Моделі штучних
нейронних мереж із
самонавчанням.
20 4 4 2 10
Тема 3. Гібридні штучні
нейронні мережі.
13 3 10
Тема 4. Програмна
реалізація штучних
нейронних мереж.
20 4 4 2 10
Тема 5. Апаратна
реалізація штучних
нейронних мереж
16 4 2 10
Разом за зміст. модулем 2 82 18 8 6 50
Усього годин 150 34 16 10 90
Page 7 of 11
5 ТЕМИ ПРАКТИЧНИХ ЗАНЯТЬ
5.1 2-й семестр
No Назва теми
Кількість годин
денна заочна
6 ТЕМИ ЛАБОРАТОРНИХ ЗАНЯТЬ
6.1 2-й семестр
No
з/п
Назва теми Кількість
годин
1 Дослідження багатошарових персептронів. 4
2 Дослідження лінійних адаптивних фільтрів. 4
3 Дослідження нейронних мереж з механізмами
самостійного навчання.
4
4 Дослідження методів виявлення ознак зображень 4
Разом: 16
7 САМОСТІЙНА РОБОТА
7.1 2-й семестр
No
з/п
Назва теми Кількість
годин
1 Вступ до систем з паралельною організацією
обчислювальних процесів. Аналіз ефективності
паралельних архітектур
обчислювальних систем. Нейрокомп’ютери та їх місце
серед ЕОМ
9
2 Моделі операційних блоків нейрокомп’ютерів. Моделі
формальних нейронів. Класифікація нейронних мереж.
9
3 Методи конструювання нейронних мереж. Синтез
нейронних мереж для розв’язання диференційних рівнянь.
9
4 Програмна реалізація штучних нейронних мереж.
Програма
NeuroSolutions та її особливості. Методи подання даних та
мереж).
9
5 Методи навчання штучних нейронних мереж.
Використання методів оптимізації у процедурах навчання.
Розв’язання завдань програмування часових рядів.
9
6 Моделі штучних нейронних мереж із навчанням. Мережі
Хопфілда, Хеммінг.Імовірнісна мережа Больцмана.
9
Page 8 of 11
7 Моделі штучних нейронних мереж із самонавчанням.
Мережа Кохонена. Мережі зустрічного розповсюдження.
Радіально-базисні мережі.
9
8 Гібридні штучні нейронні мережі. Інтеграція
нейромережевих та нечітких систем. Нечіткі елементи
мережі.
9
9 Програмна реалізація штучних нейронних мереж.
Нейроімітатори. Пакети Neural Networks, Statistica.
9
10 Апаратна реалізація штучних нейронних мереж.
Використання ПЛІС та ЦСП як елементної бази
нейрокомп’ютерів.
9
Разом 90
8 ІНДИВІДУАЛЬНІ ЗАВДАННЯ
8.1 Додаткові теми для вивчення
1. Розробка одно- та багатошарових персептронів для роз’язання завдань
розпізнавання об’єктів роботизації.
2. Розробка одно- та багатошарових персептронів для роз’язання завдань
розпізнавання обличь людей.
3. Розробка лінійних асоціаторів для роз’язання завдань розпізнавання
об’єктів роботизації. 4. Розробка нейронних мереж на основі радіальної
базисної функції.
9 МЕТОДИ НАВЧАННЯ ТА ЗАСОБИ ОЦІНЮВАННЯ
В процесі вивчення дисципліни використовуються методи спільної роботи
викладача і студентів, спрямовані на досягнення заданої мети навчання:
засвоєння студентами теоретичних знань; формування практичних навичок і
умінь, застосування знань; розвиток у студентів пізнавальних здібностей, творча
діяльність; закріплення знань; перевірка знань, умінь і навичок.
При вивченні дисципліни використовуються наступні методи:
– практичний (лабораторні, практичні, розрахункові роботи);
– наочний (метод ілюстрацій і метод демонстрацій);
– словесний (лекція, дискусія, співбесіда тощо);
– робота з навчально-методичною літературою (конспектування, тезування
анотування, рецензування, складання реферату);
– відео метод у сполучені з новітніми інформаційними технологіями та
комп’ютерними засобами навчання (дистанційні, мультимедійні).
Засоби оцінювання та методи демонстрування результатів: залік, поточне
тестування, підсумкове тестування, розрахункові роботи, завдання на
лабораторному обладнанні, презентації результатів виконання завдань та
досліджень тощо.
Page 9 of 11
10 МЕТОДИ КОНТРОЛЮ ТА РЕЙТИНГОВА ОЦІНКА ЗА ДИСЦИПЛІНОЮ
В процесі вивчення дисципліни використовуються наступні методи
контролю: попередній, поточний, періодичний, підсумковий, взаємоконтроль,
самоконтроль.
Попередній контроль проводиться, щоб визначити рівень підготовленості
студентів на початку вивчення дисципліни.
Поточний контроль застосовується для перевірки рівня опанування
студентами програмного матеріалу та спрямований на стимулювання у студентів
прагнення систематично самостійно працювати над навчальним матеріалом,
підвищувати свій рівень знань.
Періодичний контроль проводиться після викладення кожного змістовного
модулю та полягає у визначенні рівня та обсягу оволодіння студентами
знаннями, навичками і вміннями. Періодичний контроль має системний,
плановий і цілеспрямований характер.
Підсумковий контроль проводиться наприкінці семестру, він спрямований
на визначення рівня реалізації завдань, сформульованих у робочій програмі
навчальної дисципліни. Підсумковий контроль охоплює теоретичну і практичну
підготовку студентів.
У навчально-виховному процесі діє взаємоконтроль у формі порад,
консультацій, обміну досвідом, допомоги найкращих студентів тим, які
відстають у навчанні. Також важливим засобом контролю є самоконтроль, який
реалізує на практиці принципи активності й свідомості, міцності знань, навичок
і вмінь студентів. У разі індивідуальної форми самоконтролю студент самостійно
визначає ступінь опанування професійними знаннями, навичками та вміннями.
Груповий самоконтроль передбачає оцінку власної навчальної діяльності та
досягнутих успіхів, а також визначення недоліків, обґрунтування шляхів їх
подолання.
Інструментом контрольних заходів є рейтингове оцінювання успішності
навчання здобувачів вищої освіти. Основні завдання рейтингового оцінювання
полягають у підвищенні мотивації студентів до активного навчання,
систематичної самостійної роботи протягом семестру та відповідальність за
результати освітньої діяльності, а також встановлення постійного зворотного
зв’язку з кожним студентом та своєчасне коригування його освітньої діяльності,
об’єктивне оцінювання рівня підготовки тощо.
Рейтинг здобувачів вищої освіти з навчальної дисципліни вимірюється за
100-бальною з подальшим переведенням в оцінку за національною шкалою та
шкалою ЄКТС.
10.1 Розподіл балів, які отримують студенти (кількісні критерії оцінювання)
1. Відпрацювати та захистити лабораторні роботи.
2. Виконати 1 контрольну роботу.
Page 10 of 11
3. Отримати за семестр не менше 60 балів.
Оцінка за семестр
Oсем
:
(12-20)х4 лб + (12-20)х1 КР = (60-100) балів.
4. Скласти комбінований екзамен.
Оцінка за екзамен
Oекз
=(60-100) балів.
Екзамен комбінований у формі усної співбесіди.
Підсумкова оцінка
екз Од
обчислюється за формулою:
екз
д сем екз О O O = + 0,6 0, 4 .
Шкала оцінювання: національна та ЄКТС
Оцінка з
дисципліни
Оцінка за
шкалою ЄКТС
Оцінка за національною шкалою
екзамен залік
96-100 А 5 (відмінно)
Зараховано
90-95 B 5 (відмінно)
75-89 C 4 (добре)
66-74 D 3 (задовільно)
60-65 E 3 (задовільно)
35-59 FX 2 (незадовільно) Не зараховано 1-34 F
Page 11 of 11
11 МЕТОДИЧНЕ ЗАБЕЗПЕЧЕННЯ ТА РЕКОМЕНДОВАНА ЛІТЕРАТУРА
11.1 Базова література
1. Нейронні мережі : теорія та практика: навч. посіб. / С. О. Субботін. –
Житомир : Вид. О. О. Євенок, 2020. – 184 с.
2. Models and methods of robots adaptive visual control / І. Nevliudov, A.
Bronnikov, O. Tsymbal, A. Andrusevitch, V. Gopejenko – Riga, ISMA, 2022.– 184 p.
ISBN 978-9984-891-22-4, ISBN 978-9984-891-23-1, UDC 005:004.896:62-65:338.3
3. Intelligent decision-making support for Flexible Integrated Manufacturing / І.
Nevliudov, O. Tsymbal, A. Andrusevitch, V. Gopejenko – Riga, ISMA, 2020. – 330
p. UDC 005:004.896:62-65:338.3, ISBN 978-9984-891-11-8, e-ISBN 978-9984-891-
12-5
11.2 Допоміжна література
1. Тимощук, П.В. Штучні нейронні мережі [Текст] / Львів: Вид-во
Львівської політехніки, 2011. – 444 с.
2. Руденко, О. Г. Основы теории искусственных нейронных сетей [Текст]
/ О. Г. Руденко, Е. В. Бодянский. – Х. : Телетех, 2002. – 317 с.
3. Новотарський, М.А. Штучні нейронні мережі: обчислення [Текст] /
М.А. Новотарський, Б.Б. Нестеренко, Праці Інституту математики НАН України.
– Київ: Ін-т математики НАН України, 2004. – 408 с.
11.3 Методичні вказівки до різних видів занять
1. Комплекс навчально-методичного забезпечення навчальної дисципліни
«Нейротехнології та нейро-комп’ютерні системи» підготовки магістра
спеціальності 174 «Автоматизація, комп’ютерно-інтегровані технології та
робототехніка», освітня програма «Комп’ютеризовані та роботизовані системи»
[Електронний ресурс] / ХНУРЕ ; розроб. О.М. Цимбал. – Харків, 2023. – 194 с.
http://catalogue.nure.ua/knmz.
12 ІНФОРМАЦІЙНЕ ЗАБЕЗПЕЧЕННЯ
Рекомендоване програмне забезпечення:
Neuro Solutions (версії 4.0, 5.0, 6.0, 7.0).
Statistica. Neural Networks.