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 bibliotek theano oraz tensorflow, 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 theano oraz tensorflow. 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 2018/19" (zakończony)
| Okres: | 2019-02-16 - 2019-06-08 |
 
 zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin więcej informacji Wykład, 30 godzin więcej informacji |
|
| Koordynatorzy: | Marek Cygan, Marcin Mucha | |
| Prowadzący grup: | Piotr Biliński, Robert Bogucki, Krzysztof Ciebiera, Marek Cygan, Paweł Gora, Marcin Możejko, Marcin Mucha, Piotr Tempczyk | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Egzamin |
Zajęcia w cyklu "Semestr letni 2019/20" (jeszcze nie rozpoczęty)
| Okres: | 2020-02-17 - 2020-06-10 |
zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin więcej informacji Wykład, 30 godzin więcej informacji |
|
| Koordynatorzy: | Marek Cygan, Marcin Mucha | |
| Prowadzący grup: | Piotr Biliński, Robert Bogucki, Krzysztof Ciebiera, Marek Cygan, Paweł Gora, Marcin Możejko, Marcin Mucha, Piotr Tempczyk | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski.