Kod przedmiotu 02 58 6115 00
Liczba punktów ECTS 3
Nazwa przedmiotu w języku prowadzenia 
Głębokie sieci neuronowe 1
Nazwa przedmiotu w języku polskim Głębokie sieci neuronowe 1
Nazwa przedmiotu w języku angielskim 
Deep Neural Networks I
Język prowadzenia zajęć polski
Poziom studiów studia drugiego stopnia
Kierownik przedmiotu prof. dr hab. inż. Krzysztof Ślot
Realizatorzy przedmiotu dr inż. Paweł Kapusta, prof. dr hab. inż. Krzysztof Ślot
Formy zajęć i liczba godzin w semestrze
Wykład Ćwiczenia Laboratorium Projekt Seminarium Inne Suma godzin w semestrze
Godziny kontaktowe 15 15 0 30
Czy e-learning Nie Nie Nie Nie Nie Nie
Kryteria oceny (waga) 0,50 0,50 0,00
Cel przedmiotu
  1. Prezentacja podstaw koncepcji: sieci neuronowych i głębokich sieci neuronowych
  2. Prezentacja metodyki uczenia sieci
Efekty kształcenia 
  1. Znajomość sposobu  przetwarzania danych w sieciach neuronowych i mechanizmu uczenia sieci
  2. Znajomość celów, istoty i elementów uczenia głębokiego
  3. Znajomość koncepcji konwolucyjnych sieci neuronowych
  4. Umiejętność opracowania i implementacji sieci realizującej wybrane zadania rozpoznawania obiektów obrazu
Metody weryfikacji efektów kształcenia 
Ocena zrozumienia przedstawianych koncepcji: neuronu, sieci neuronoej, sieci konwolucyjnej oraz uczenia; ocena umiejętności realizacji algorytmu rozpoznawania obiektów obrazu.
Wymagania wstępne 
Podstawowa umiejętność programowania w języku Python, znajomość podstawowych metod optymalizacji i algebry liniowej
Treści kształcenia z podziałem na formy 
WYKŁAD
Sztuczny neuron: struktura, sposób działania i funkcje aktywacji. Interpretacja funkcji neuronu. Uczenie neuronu - reguła delta. 
Sieci neuronowe jednokierunkowe. Funkcja kosztu i algorytm wstecznej propagacji błędu. Klasyfikacja danych z wykorzystaniem sieci jednokierunkowych. Regresja.
Głębokie sieci neuronowe (DNN) i metody eliminacji ograniczeń klasycznych struktur wielowarstwowych: stabilizacja gradientów (ReLU) i metody SGD, przeciwdziałanie przeuczeniu  (regularyzacja i dropout), przyśpieszanie zbieżności (Adam) i wstępna inicjalizacja wag (Xavier), probabilistyczna ocena jakości analizy (dywergencja KL) i metoda wyboru zwycięskiej hipotezy (softmax). 
Konwolucyjne sieci neuronowe (CNN): architektura, sposób działania i przykłady zastosowań. 

LABORATORIUM
Zapoznanie ze środowiskiem programowym do symulacji sieci głębokich. Implementacja systemu rozpoznawania obiektów obrazów (np. rozpoznawanie cyfr, detekcja przechodniów) przy użyciu DNN.
Literatura podstawowa 
  1. Buduma N.: Fundamentals of Deep Learning, O?Reilly, 2017
  2. Materiały pomocniecze on-line
Literatura uzupełniająca 
  1. Ian Goodfellow and Yoshua Bengio and Aaron Courville: Deep Learning http://www.deeplearningbook.org/
Przeciętne obciążenie godzinowe studenta pracą własną 
6
Uwagi 

                    

                    

                        Aktualizacja
                        2020-10-05 23:33:17