Uniwersytet Warszawski, Wydział Fizyki - Centralny System Uwierzytelniania
Strona główna

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 Fizyki.
ul. Pasteura 5, 02-093 Warszawa tel: +48 22 5532 000 https://www.fuw.edu.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-4 (2024-07-15)