University of Warsaw - Central Authentication System

(in Polish) Deep Learning w R

General data

Course ID:	2400-SP-DS-DLR
Erasmus code / ISCED:	(unknown) / (0311) Economics The ISCED (International Standard Classification of Education) code has been designed by UNESCO.
Course title:	(unknown)
Name in Polish:	Deep Learning w R
Organizational unit:	Faculty of Economic Sciences
Course groups:	(in Polish) Data Science w zastosowaniach biznesowych. Warsztaty z wykorzystaniem programu R
ECTS credit allocation (and other scores):	(not available) Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load.
Language:	Polish
Type of course:	obligatory courses
Full description:	(in Polish) Celem kursu jest zapoznanie uczestników z różnymi typami sieci neuronowych i ich zastosowaniami. Podczas zajęć wykorzystywane będą narzędzia Keras i TensorFlow. Słuchacze poznają podstawowe definicje i ideę Deep Learningu, jego wady i zalety. Omówione zostaną najważniejsze funkcje aktywacji (sigmoid, ReLU, tanh, itp.) oraz optymalizacja wag metodą stochastic gradient descent, a także bardziej zaawansowanymi metodami (ADAM, RMSProp, AdaDelta,…). Wspomniana zostanie klasyczna regularyzacja L1/L2 i dropout. Następnie zostaną zaprezentowane metody budowania modeli w Keras oraz optymalizacja hiperparametrów z pakieten tfruns. Przedstawione zostaną sieci konwolucyjne (warstwy konwolucyjna, poolingu i głęboka z przykładami) i ich budowa w Keras wraz ze strojeniem parametrów i omówieniem przykładowych architektur (VGG, ResNet), wizualizacją filtrów i map aktywacji. Ostatnim etapem będzie omówienie sieci rekurencyjnych (LSTM, GRU) i ich zastosowań w keras.
Bibliography:	(in Polish) Materiały przygotowywane przez wykładowcę i udostępniane uczestnikowi na platformie Google Drive.
Learning outcomes:	(in Polish) Test zaliczeniowy - do zaliczenia wymagana jest 50% poprawnych odpowiedzi na 10 pytań.

Classes in period "Academic year 2023/24" (in progress)

Time span:	2023-10-01 - 2024-06-16	Selected timetable range: weekly course term Navigate to timetable MO TU W TH FR SA LAB SU LAB
Type of class:	Lab, 18 hours more information
Coordinators:	Piotr Wójcik
Group instructors:	Michał Maj
Students list:	(inaccessible to you)
Examination:	Course - Pass/fail Lab - Grading
Mode:	Classroom

Course descriptions are protected by copyright.
Copyright by University of Warsaw.