Głębokie sieci neuronowe (wspólne z 1000-317bDNN)

Informacje ogólne

Kod przedmiotu:	1000-2M16GSN
Kod Erasmus / ISCED:	11.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
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 obieralne dla informatyki Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne:	(brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
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.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.