Introduction to Neural Networks

Informacje ogólne

Kod przedmiotu:	1100-INN
Kod Erasmus / ISCED:	(brak danych) / (brak danych)
Nazwa przedmiotu:	Introduction to Neural Networks
Jednostka:	Wydział Fizyki
Grupy:	Fizyka, II stopień; przedmioty sp. Matematyczne i komputerowe modelowanie procesów fizycznych Fizyka, II stopień; przedmioty z zakresu analizy numerycznej Physics (Studies in English), 2nd cycle; courses from list "Numerical Analysis" Physics (Studies in English); 2nd cycle
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
Założenia (opisowo):	Basic Knowledge of python is required.
Skrócony opis:	Neural networks are a beautiful biologically-inspired programming paradigm that enables a computer to learn from observational data. In this course, we will learn many of the core concepts behind neural networks. We will start the journey from the origin of neural networks to the modern days.
Pełny opis:	Neural networks are a beautiful biologically-inspired programming paradigm that enables a computer to learn from observational data. In this course, we will learn many of the core concepts behind neural networks. We will start the journey from the origin of neural networks to the modern days. Basic Knowledge of python is required. 1-Introduction to neural networks. History and Inspiration from neuroscience. 2-Threshold Logic Units 3-The Perceptron 4-The Hopefield Model 5-Optimization problems 6-Linear Regression 7-Feature Learning 8-Fully Connected Neural Networks 9-Backpropagation 10- Introduction to Keras and Tensorflow 11-Image Classification 12-Sequences, Time Series, and Prediction
Metody i kryteria oceniania:	(1) Required to complete a number of computer-based projects in the lab explaining the solutions, (2) The students are asked to prepare a short presentation summarizing one topic from the lectures.

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.