Głębokie sieci neuronowe 1000-317bDNN
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)
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Założenia (opisowo)
Efekty kształcenia
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].
Kryteria oceniania
Ocena końcowa na podstawie punktów z programu zaliczeniowego, zadań domowych (w formie programów komputerowych) oraz egzaminu w laboratorium.
Literatura
Książki w wersji online
http://neuralnetworksanddeeplearning.com/
http://www.deeplearningbook.org/