Kod przedmiotu |
02 58 6116 00 |
Liczba punktów ECTS |
2 |
Nazwa przedmiotu w języku prowadzenia |
Głębokie sieci neuronowe 2 |
Nazwa przedmiotu w języku polskim |
Głębokie sieci neuronowe 2 |
Nazwa przedmiotu w języku angielskim |
Deep Neural Networks II |
Język prowadzenia zajęć |
polski |
Poziom studiów |
studia drugiego stopnia |
Kierownik przedmiotu |
prof. dr hab. inż. Krzysztof Ślot |
Realizatorzy przedmiotu |
dr inż. Paweł Kapusta |
Formy zajęć i liczba godzin w semestrze |
|
Wykład |
Ćwiczenia |
Laboratorium |
Projekt |
Seminarium |
Inne |
Suma godzin w semestrze |
Godziny kontaktowe |
15 |
|
30 |
|
|
0 |
45 |
Czy e-learning |
Nie |
Nie |
Nie |
Nie |
Nie |
Nie |
|
Kryteria oceny (waga) |
0,50 |
|
0,50 |
|
|
0,00 |
|
|
Cel przedmiotu |
- Prezentacja zaawansowanych koncepcji głębokich sieci neuronowych
|
Efekty kształcenia |
- Znajomość koncepcji autoenkodera
- Znajomość koncepcji sieci rywalizujących
- Znajomość koncepcji sieci rekurencyjnych i sieci LSTM
- Umiejętność implementacji wybranej koncepcji przetwarzania danych za pomocą sieci głębokich
|
Metody weryfikacji efektów kształcenia |
Ocena zrozunienia koncepcji (autoenkoder, sieci rywalizujące, sieci rekurencyjne) i ocena umiejętności ich wdrożenia.
|
Wymagania wstępne |
Głębokie sieci neuronowe I |
Treści kształcenia z podziałem na formy |
WYKŁAD
Autoenkodery i poszukiwanie ukrytej reprezentacji klas.
Sieci rywalizujące (GAN): architektura, sposób działania i wybrane aplikacje (generacja nowych treści).
Sprzężenie zwrotne i pamięć. Sieci rekurencyjne (RNN) jako koncepcja analizy danych o strukturze sekwencyjnej. Algorytm BPTT. Ograniczenia sieci rekurencyjnych.
Sieci LSTM: architektura i sposób uczenia. Wykorzystanie sieci LSTM do analizy procesów oraz do generacji sekwencji.
Sieci residualne.
LABORATORIUM
Implementacja programowa prezentowanych koncepcji sieci dla realizacji wybranego zadania przetwarzania danych (np. kategoryzacja tekstów, rozpoznawanie zdarzeń w nagraniach wideo, sterowanie motoryką robotów, generacja awatarów itp.)
|
Literatura podstawowa |
- Ian Goodfellow and Yoshua Bengio and Aaron Courville: Deep Learning http://www.deeplearningbook.org/
|
Literatura uzupełniająca |
- Materiały pomocnicze on-line
|
Przeciętne obciążenie godzinowe studenta pracą własną |
6 |
Uwagi |
|
Aktualizacja |
2020-10-05 23:33:59 |