Uczenie maszynowe II

fizyka
informatyka
matematyka

Zakłada się, że osoba uczestnicząca w kursie ma następujące cechy:

• ma do dyspozycji laptop - zajęcia będą prowadzone w standardowej sali wykładowej. Laptop może mieć dowolny system operacyjny, ale wsparcie Wykładowcy jest zapewnione głównie dla systemów typu Linux i w ograniczonym zakresie Windows
  


• umie programować w języku Python na średnim poziomie - np. da radę napisać nową klasę w języku Python posiłkując się kodem innej klasy 
  


• zna podstawowe pojęcia związane z uczeniem maszynowym i statystyczną analizą danych na poziomie odpowiadającym materiałowi przedmiotu Uczenie maszynowe 1100-3BN17. Formalne zaliczenie przedmiotu Uczenie maszynowe nie jest wymagane.
  

w sali

KURSY

Zajęcia rozwijające operacyjną sprawność w tworzeniu i używaniu modelu i maszynowego. Przedmiot jest przeznaczony dla wszystkich zainteresowanych praktyczną stroną uczenia maszynowego, niezależnie od roku i kierunku studiów.

Zajęcia mają postać warsztatów - części wykładowe i ćwiczeniowe połączone w jeden blok. Większy nacisk jest położony na pisanie efektywnego, ładnego, kodu rozwiązującego zagadnienia pojawiające się w trakcie pracy nad modelami uczenia maszynowego.

Kurs jest prowadzony z użyciem pakietu TensorFlow oraz środowiska Google Colaboratory lub własnych komputerów. Materiały kursu są w postaci notatników Jupyter.

Program zajęć:

1. Użyteczne biblioteki Python: numpy, matplotlib, pandas,

2. Konfiguracja środowiska do pracy: kontenery, serwer Jupyter,

Visual Studio Code, zdalny dostęp do maszyny obliczeniowej

3. Przypomnienie podstawowych pojęć z dziedziny uczenia maszynowego

4. Trening i zastosowanie sieci w pełni połączonych

5. Trening i zastosowanie sieci ze splotem (konwolucyjnych)

6. Sieci samokodujące: AE, VAE i CVAE

7. Sieci generatywne

8. Analiza sekwencji: sieci rekurencyjne

9. Analiza sekwencji: architektura transformatora

Przewidywany nakład pracy: 120 h

• uczestnictwo w zajęciach: 75 h
• przygotowanie do zajęć i rozwiązywanie zadań domowych: 20 h
• przygotowanie projektu zaliczeniowego 25h

1. Dive into Deep learning: link

2. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow:link

3. Deep Learning: link

4. An Introduction to Statistical Learning:link

5. The Elements of Statistical Learning:link

Osoba uczestnicząca:

zna i rozumie:

1. zaawansowane koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi

2. techniki informatyczne niezbędne przy rozwiązywaniu problemów fizycznych i analizy danych

potrafi stosować:

1. biblioteki numeryczne, bazy danych i zaawansowane oprogramowanie używane w analizie danych fizycznych i innego typu

szczerze docenia:

1. systematyczną pracę

2. terminowe wykonywanie zadań

3. tworzenie starannego i czytelnego kodu

4. konieczność samodzielnego zapoznawania się z literaturą dotyczącą zagadnień nad którymi pracuje

Ocena końcowa zostanie wystawiona na podstawie Projektu rozwiązującego zagadnienie zaproponowane przez osobę uczestniczącą.

Wymagania do oceny:

1. obowiązkowe prace domowe.

Niewykonanie wszystkich prac domowych skutkuje obniżeniem oceny końcowej o 0.5 punktu

2. obowiązkowa obecność na zajęciach - dopuszczalne są dwie nieobecności.

Nieusprawiedliwione przekroczenie limitu nieobecności skutkuje obniżeniem oceny końcowej o 2.0 punkty

3. wykonanie Projektu z godnie z harmonogramem:

• definicja Projektu i konsultacja jego wykonywalności - koniec marca
• przygotowanie notatnika Jupyter z wstępną obróbką danych - koniec kwietnia
• przygotowanie notatnika z finalną wersją rozwiązania - koniec maja
  
  Niedotrzymanie każdego z trzech punktów harmonogramu skutkuje stratą 0.5 punktu oceny, tzn. niedotrzymanie wszystkich trzech punktów harmonogramu powoduje, że maksymalna ocena końcowa może wynieść 5 - 3*0.5 = 3.5