Głębokie sieci neuronowe
Informacje ogólne
| Kod przedmiotu: | 1000-2M16GSN | Kod Erasmus / ISCED: |
11.3
 /
(0612) Database and network design and administration
|
| Nazwa przedmiotu: | Głębokie sieci neuronowe | ||
| Jednostka: | Wydział Matematyki, Informatyki i Mechaniki | ||
| Grupy: |
Przedmioty monograficzne dla III - V roku informatyki Przedmioty obieralne dla informatyki |
||
| Punkty ECTS i inne: |
6.00  zobacz reguły punktacji |
||
| Język prowadzenia: | angielski | ||
| Rodzaj przedmiotu: | monograficzne |
||
| Skrócony opis: |
Celem zajęc jest przybliżenie studentom praktycznej wiedzy z zakresu głębokich sieci neuronowych. W trakcie kursu przedstawione zostaną wykorzystywane obecnie techniki, algorytmy oraz narzędzia. Poruszane zagadnienia będą użyte między innymi do problemów z dziedziny rozpoznawania obrazów oraz przetwarzania języka naturalnego. |
||
| Pełny opis: |
1.Wstęp do uczenia maszynowego (2 wykłady): Czym jest uczenie maszynowe, uczenie nadzorowane i nienadzorowane, regresja, klasyfikacja, funkcja błędu. Regresja liniowa i logistyczna. Ocena jakości modelu, regularyzacja, optymalizacja hiperparametrów. 2.Wstęp do sieci neuronowych (2 wykłady): wprowadzenie do biblioteki pytorch, inicjalizacja, funkcje aktywacji, regularyzacja, optymalizacja funkcji celu. 3.Konwolucyjne sieci neuronowe (4-5 wykładów): rozpoznawanie obrazów, standardowe zbiory danych (MNIST, CIFAR, ImageNet), augmentacja danych, warstwy konwolucyjne, pooling, architektura sieci. 4.Rekurencyjne sieci neuronowe (2-3 wykładów): LSTM, przetwarzanie tekstu. 5.Dalsze tematy w zależności od tempa i preferencji studentów (3-4 wykłady). |
||
| Literatura: |
Książki w wersji online http://neuralnetworksanddeeplearning.com/ http://www.deeplearningbook.org/ |
||
| Efekty uczenia się: |
Wiedza * Ma podstawową wiedzę w zakresie uczenia maszynowego. * Rozumie algorytmy uczenia sieci neuronowych. * Zna podstawowe architektury sieci konwolucyjnych i rekurencyjnych. Umiejętności * Potrafi korzystać z bibliotek pytorch. * Potrafi zaimplementować algorytmy klasyfikacji obrazów za pomocą konwolucyjnych sieci neuronowych. * Potrafi zaimplementować algorytmy przetwarzania tekstu za pomocą sieci rekurencyjnych. Kompetencje * Potrafi ocenić czy do danego problemu warto zastosować sieci neuronowe, a jeśli tak to jaką architekturę należy przyjąć. |
||
| Metody i kryteria oceniania: |
Ocena końcowa na podstawie punktów z programu zaliczeniowego, zadań domowych (w formie programów komputerowych) oraz egzaminu w laboratorium. |
||
Zajęcia w cyklu "Semestr letni 2020/21" (jeszcze nie rozpoczęty)
| Okres: | 2021-02-22 - 2021-06-13 |
 
 zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin więcej informacji Wykład, 30 godzin więcej informacji |
|
| Koordynatorzy: | Marek Cygan, Marcin Mucha | |
| Prowadzący grup: | Robert Bogucki, Krzysztof Ciebiera, Marek Cygan, Sebastian Jaszczur, Marcin Możejko, Marcin Mucha, Piotr Tempczyk | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski.