Politechnika Warszawska - Centralny System Uwierzytelniania
Nie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Deep Learning

Informacje ogólne

Kod przedmiotu: 1120-DS000-MSA-0124 Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Deep Learning
Jednostka: Wydział Matematyki i Nauk Informacyjnych
Grupy: Data Science, II st. - przedmioty obowiązkowe, sem. 1 z 3
Data Science, II st. - przedmioty obowiązkowe, sem. 2 z 4
Punkty ECTS i inne: 5.00
Język prowadzenia: angielski
Liczba godzin zajęć praktycznych:

45

Liczba godzin zajęć teoretycznych:

15

Skrócony opis:

Celem przedmiotu jest zapoznanie studentów z podstawowymi technikami uczenia głębokiego. Szczególny nacisk położony będzie na nabycie praktycznych umiejętności budowania złożonych struktur neuronowych oraz ich uczenia w oparciu o różne realizacje paradygmatu głębokiego uczenia.

Pełny opis:

Wykład: wykład problemowy oraz w oparciu o studia przypadków

1. Przypomnienie wybranych podstaw sieci neuronowych

2. Uczenie gradientowe sieci neuronowych, funkcje przejścia i ich własności

3. Strategie głębokiego uczenia (postać funkcji błędu, dobór wielkości zbio-rów próbek – mini-batch, znikający gradient, pre-training, post-tuning, jednostki ReLU, regularyzacja, dropout)

4. Uczenie głębokie nienadzorowane (autoenkodery, redukcja wymiarowości, uczenie się reprezentacji, transfer learning)

5. Sieci konwolucyjne (wagi współdzielone, pooling, inwariancja względem przesunięcia) i ich zastosowania do przetwarzania i analizy obrazów

6. Głębokie sieci rekurencyjne (LSTM) – własności oraz przykłady zastoso-wań

7. Modele generatywne (GAN, VAE, DBM) – własności oraz przykłady zasto-sowań

Ćwiczenia: ---

Laboratorium: ---

Projekt:

Praca w zespołach dwuosobowych. Implementacja oraz testy 4 modeli sieci głebokich, analiza ich własności, badanie zależności pomiędzy strukturą i parametryzacją sieci a jakością wyników. Publiczna prezentacja zrealizowanych projektów.

Tematy projektów:

Projekt I - perceptron wielowarstwowy

Projekt II - sieci konwolucyjne

Projekt III - sieci rekurencyjne

Projekt IV - generatywne sieci adwersarialne

Literatura:

1. Li Deng and Dong Yu, "Deep Learning: Methods and Applications", Foundations and Trends® in Signal Processing: Vol. 7: No. 3–4, pp 197-387, 2014.

2. Y. Bengio, I. A. N. Goodfellow, AN. Courville, Deep Learning, MIT Press, 2016.

3. Hands-On Learning with Scikit-Learn and Tensorflow, O'Reilly.

Efekty uczenia się:

Posiada wiedzę dotyczącą różnych modeli głębokich sieci neuronowych oraz algorytmów głębokiego uczenia.

Posiada praktyczną wiedzę dotyczącą specyfiki zastosowań konkretnych architektur głębokich do rozwiązywania określonych rodzajów zadań.

Posiada wiedzę dotyczącą wybranych środowisk wspierających budowę i wykorzystanie modeli uczenia głębokiego.

Potrafi zaprojektować oraz zaimplementować wybrane modele głębokich sieci neuronowych oraz ocenić ich skuteczność w kontekście konkretnego problemu.

Potrafi dobrać model architektury głębokiej właściwy dla rodzaju rozwiązywanego problemu oraz dokonać analizy silnych i słabych stron zaproponowanego rozwiązania.

Potrafi sprawnie posługiwać się językiem angielskim w obszarze dotyczącym uczenia głębokiego.

Ma świadomość odpowiedzialności za wspólnie realizowane zadania w ramach pracy zespołowej.

Metody i kryteria oceniania:

Ocena w oparciu o wyniki projektu. Punktacja standardowa: 91-100 ocena 5.0, 81-90 ocena 4.5, …, 51-60 ocena 3.0, poniżej 51 – brak zaliczenia (2.0)

Praktyki zawodowe:

nie dotyczy

Zajęcia w cyklu "rok akademicki 2021/2022 - sem. letni" (jeszcze nie rozpoczęty)

Okres: 2022-02-23 - 2022-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Projekt, 45 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Jacek Mańdziuk
Prowadzący grup: Stanisław Kaźmierczak, Dominik Lewy, Jacek Mańdziuk, Maciej Żelaszczyk, Adam Żychowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę

Zajęcia w cyklu "rok akademicki 2020/2021 - sem. letni" (zakończony)

Okres: 2021-02-20 - 2021-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Projekt, 45 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: Jacek Mańdziuk
Prowadzący grup: Stanisław Kaźmierczak, Jacek Mańdziuk, Maciej Żelaszczyk, Adam Żychowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Literatura:

1. Li Deng and Dong Yu, "Deep Learning: Methods and Applications", Foundations and Trends® in Signal Processing: Vol. 7: No. 3–4, pp 197-387, 2014.

2. Y. Bengio, I. A. N. Goodfellow, AN. Courville, Deep Learning, MIT Press, 2016.

3. Hands-On Learning with Scikit-Learn and Tensorflow, O'Reilly.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Warszawska.