Drukuj sylabusGłębokie sieci neuronowe (wspólne z 1000-317bDNN)
Informacje ogólne
| Kod przedmiotu: | 1000-2M16GSN |
| Kod Erasmus / ISCED: |
11.3
|
| Nazwa przedmiotu: | Głębokie sieci neuronowe (wspólne z 1000-317bDNN) |
| Jednostka: | Wydział Matematyki, Informatyki i Mechaniki |
| Grupy: |
Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka Przedmioty monograficzne dla III - V roku informatyki Przedmioty obieralne dla informatyki Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka |
| Punkty ECTS i inne: |
6.00
|
| Język prowadzenia: | angielski |
| Rodzaj przedmiotu: | monograficzne |
| Założenia (opisowo): | Biegłość w programowaniu w języku Python. |
| 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 wybranej nowoczesnej biblioteki procedur uczenia maszynowego. * Potrafi zaimplementować algorytmy klasyfikacji obrazów za pomocą konwolucyjnych sieci neuronowych. * Potrafi zaimplementować algorytmy przetwarzania tekstu za pomocą sieci rekurencyjnych. * Posługiwać się językiem angielskim na poziomie B2+ Europejskiego Systemu Opisu Kształcenia Językowego, ze szczególnym uwzględnieniem terminologii informatycznej. * Potrafi ocenić czy do danego problemu warto zastosować sieci neuronowe, a jeśli tak to jaką architekturę należy przyjąć. Kompetencje * Jest gotów do krytycznej oceny posiadanej wiedzy i odbieranych treści * Jest gotów do uznawania znaczenia wiedzy w rozwiązywaniu problemów poznawczych i praktycznych oraz zasięgania opinii ekspertów w przypadku trudności z samodzielnym rozwiązaniem problemu. * Jest gotów do myślenia i działania w sposób przedsiębiorczy. |
| 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 zimowy 2022/23" (zakończony)
| Okres: | 2022-10-01 - 2023-01-29 |
 
 zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
| Koordynatorzy: | Marek Cygan, Marcin Mucha | |
| Prowadzący grup: | Marek Cygan, Mateusz Doliński, Dominik Filipiak, Adam Izdebski, Sebastian Jaszczur, Marcin Mucha, Michał Nauman, Mateusz Olko, Konrad Staniszewski | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski.
