Uniwersytet Warszawski, Wydział Fizyki - Centralny System Uwierzytelniania
Strona główna

Głębokie sieci neuronowe

Informacje ogólne

Kod przedmiotu: 1000-317bDNN
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
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka
Przedmioty obieralne dla informatyki
Przedmioty obowiązkowe dla I roku Machine Learning
Punkty ECTS i inne: 6.00 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 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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
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
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Fizyki.
ul. Pasteura 5, 02-093 Warszawa tel: +48 22 5532 000 https://www.fuw.edu.pl/ kontakt deklaracja dostępności USOSweb 7.0.1.0-2 (2024-02-19)