Głębokie sieci neuronowe
Informacje ogólne
Kod przedmiotu: | 1000-317bDNN |
Kod Erasmus / ISCED: |
11.3
|
Nazwa przedmiotu: | Głębokie sieci neuronowe |
Jednostka: | Wydział Matematyki, Informatyki i Mechaniki |
Grupy: |
Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka Przedmioty obieralne dla informatyki Przedmioty obieralne fakultatywne dla informatyki (IIIr. licencjatu, nowy program) Przedmioty obowiązkowe dla I roku Machine Learning |
Punkty ECTS i inne: |
6.00
|
Język prowadzenia: | angielski |
Rodzaj przedmiotu: | monograficzne |
Założenia (opisowo): | Biegłość w programowaniu w języku Python. |
Skrócony opis: |
Celem zajęć jest przybliżenie studentom praktycznej wiedzy z zakresu głębokich sieci neuronowych. W trakcie kursu przedstawione zostaną wykorzystywane obecnie techniki, algorytmy oraz narzędzia. Poruszane metody są stosowane między innymi do problemów z dziedziny rozpoznawania obrazów i przetwarzania języka naturalnego. |
Pełny opis: |
1. Wstęp do sieci neuronowych: funkcje aktywacji, funkcje straty, optymalizacja, regularyzacja 2. Sprzęt i oprogramowanie stosowane w głębokim uczeniu. 3. Konwolucyjne sieci neuronowe: klasyfikacja, wykrywanie, segmentacja 4. Rekurencyjne sieci neuronowe, transformery. 5. Sieci GAN 6. Uczenie ze wzmocnieniem 7. Nowości w dziedzinie sieci neuronowych 8. Zastosowania (np. AlphaGo, ChatGPT) |
Literatura: |
Książki w wersji online http://neuralnetworksanddeeplearning.com/ http://www.deeplearningbook.org/ |
Efekty uczenia się: |
Wiedza: student zna i rozumie * w uporządkowany i podbudowany teoretycznie sposób wiedzę w zakresie uczenia maszynowego ze szczególnym uwzględnieniem algorytmów uczenia sieci neuronowych oraz architektur sieci konwolucyjnych i rekurencyjnych [K_W08]. Umiejętności: student potrafi * posługiwać się językiem angielskim na poziomie B2+ Europejskiego Systemu Opisu Kształcenia Językowego, ze szczególnym uwzględnieniem terminologii informatycznej [K_U02]; * korzystać z wybranej nowoczesnej biblioteki procedur uczenia maszynowego [K_U12]; * zaimplementować algorytmy klasyfikacji obrazów za pomocą konwolucyjnych sieci neuronowych oraz algorytmy przetwarzania tekstu za pomocą rekurencyjnych sieci neuronowych [K_U13]. Kompetencje społeczne: student jest gotów do * krytycznej oceny posiadanej wiedzy i odbieranych treści [K_K01]; * uznawania znaczenia wiedzy w rozwiązywaniu problemów poznawczych i praktycznych oraz zasięgania opinii ekspertów w przypadku trudności z samodzielnym rozwiązaniem problemu [K_K02]; * myślenia i działania w sposób przedsiębiorczy [K_K03]. |
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 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-01-28 |
Przejdź do planu
PN LAB
LAB
WT LAB
LAB
ŚR LAB
WYK
LAB
LAB
CZ LAB
PT LAB
|
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Marek Cygan, Marcin Mucha | |
Prowadzący grup: | Kamil Ciebiera, Marek Cygan, Mateusz Doliński, Dominik Filipiak, Michał Krutul, Marcin Mucha, Mateusz Olko, Konrad Staniszewski, Emilia Wiśnios, Marcin Wrochna, Alicja Ziarko | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Egzamin |
Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)
Okres: | 2024-10-01 - 2025-01-26 |
Przejdź do planu
PN LAB
LAB
LAB
WT LAB
LAB
LAB
ŚR WYK
LAB
LAB
LAB
CZ LAB
LAB
PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Marek Cygan, Marcin Mucha | |
Prowadzący grup: | Kamil Ciebiera, Bartłomiej Cupiał, Marek Cygan, Mateusz Doliński, Marcin Mucha, Mateusz Olko, Aleksy Schubert, Konrad Staniszewski, Maciej Stefaniak, Marcin Wierzbiński, Przemysław Wiszniewski, Marcin Wrochna | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.