Głębokie uczenie maszynowe

Informacje ogólne

Kod przedmiotu:	420-IS2-1GUM-22
Kod Erasmus / ISCED:	(brak danych) / (brak danych)
Nazwa przedmiotu:	Głębokie uczenie maszynowe
Jednostka:	Instytut Informatyki
Grupy:	1 rok 2 st. sem. letni Informatyka 2L stac. II st. studia informatyki - przedmioty obowiązkowe
Punkty ECTS i inne:	(brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
Język prowadzenia:	polski
Rodzaj przedmiotu:	obowiązkowe
Założenia (opisowo):	Celem przedmiotu jest przekazanie studentom podstawowej wiedzy z wybranymi zagadnieniami uczenia głębokiego, sieci neuronowych, uczenia reprezentacji i powiązanych zagadnień uczenia maszynowego.
Skrócony opis:	Definicja głębokich sieci neuronowych jako specyficznego paradygmatu uczenia maszynowego, optymalizacji i modelowania. Definicja parametrów i hiperparametrów modeli. Omówienie modułowych charakterystyk modeli głębokich. Opis najważniejszych i najczęściej używanych elementów głębokich sieci neuronowych, w tym warstw gęstych, splotowych, agregujących, fałdujących, redukujących i resztkowych. Komponenty nieliniowe i normalizujące. Funkcja straty i charakterystyka najczęściej stosowanych funkcji straty. Uczenie się poprzez hetero- i autoasocjację. Implementacja algorytmów głębokich sieci neuronowych. Głębokie modele uczenia się bez nadzoru, w szczególności do analizy skupień. Modele generatywne (GAN).
Pełny opis:	Profil studiów: ogólnoakademicki Forma studiów: stacjonarne Rodzaj przedmiotu: obowiązkowy Dziedzina: nauki ścisłe i przyrodnicze, dyscyplina: informatyka Rok studiów / semestr: 3 / 5 Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów): Przedmioty wprowadzające: Podstawy logiki i teorii mnogości, Algorytmy i struktury danych, Matematyka dyskretna, Wykład: 15 Laboratorium: 30 Metody dydaktyczne: wiedza przekazywana na wykładzie, na laboratorium samodzielne rozwiązywanie problemów dotyczących treści nauczania Punkty ECTS: 4 Bilans nakładu pracy studenta: Udział w zajęciach: - wykład 15 h - laboratorium 30h Przygotowanie do zajęć: - wykład 5h - laboratorium 10h Zapoznanie z literaturą: 10h Przygotowanie do egzaminu: 15h Czas trwania egzaminu: 2h Udział w konsultacjach: 13h Wskaźniki ilościowe: liczba godzin wymagających bezpośredniego udziału nauczyciela: 60h, 2,4 ECTS liczba godzin nie wymagających bezpośredniego udziału nauczyciela: 40h, 1,6 ECTS
Literatura:	Bengio Yoshua, Courville Aaron, Goodfellow Ian, Deep Learning. Systemy uczące się, PWN, 2018 Patterson Josh, Gibson Adam, Deep Learning. Praktyczne wprowadzenie, Helion, 2018 Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants, Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe, Helion, 2018
Efekty uczenia się:	Zna algorytmy głębokiego uczenia maszynowego, w szczególności głębokich sieci neuronowych - KP7_WG9 (++), KP7_WG11 (+++) , KP7_WK1 (+++) Potrafi zaimplementować i wykorzystać wybrane algorytmy głębokiego uczenia maszynowego - KP7_UW11 (+++), KP7_UW16 (+++) Potrafi zastosować istniejące już implementacje głębokiego uczenia maszynowego do swoich celów - KP7_UW12 (+++), KP7_UW16 (+++)
Metody i kryteria oceniania:	Ogólna forma zaliczenia: egzamin Weryfikacja: Zaliczenie pisemne w formie testu lub pytań (zadań otwartych). Zaliczenie laboratorium: zaliczenie na podstawie wykonanych projektów. Uzyskanie co najmniej 51% maksymalnej liczby wszystkich punktów. W przypadku nauczania zdalnego zaliczenie odbędzie się przy wykorzystaniu narzędzi dostępnych na platformie Eduportal/USOSMail.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.