Deep Learning

General data

Course ID:	420-IS2-1GUM-22
Erasmus code / ISCED:	(unknown) / (unknown)
Course title:	Deep Learning
Name in Polish:	Głębokie uczenie maszynowe
Organizational unit:	Institute of Computer Science
Course groups:	(in Polish) 1 rok 2 st. sem. letni Informatyka (in Polish) 2L stac. II st. studia informatyki - przedmioty obowiązkowe
ECTS credit allocation (and other scores):	(not available) Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load. view allocation of credits
Language:	Polish
Type of course:	obligatory courses
Prerequisites (description):	(in Polish) Celem przedmiotu jest przekazanie studentom podstawowej wiedzy z wybranymi zagadnieniami uczenia głębokiego, sieci neuronowych, uczenia reprezentacji i powiązanych zagadnień uczenia maszynowego.
Short description:	(in Polish) 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).
Full description:	(in Polish) 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
Bibliography:	(in Polish) 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
Learning outcomes:	(in Polish) 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 (+++)
Assessment methods and assessment criteria:	(in Polish) 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.

This course is not currently offered.

Course descriptions are protected by copyright.
Copyright by University of Bialystok.