Předmět: Aplikace neuronových sítí

» Seznam fakult » FM » ITE
Název předmětu Aplikace neuronových sítí
Kód předmětu ITE/ANS
Organizační forma výuky Přednáška + Cvičení
Úroveň předmětu Bakalářský
Rok studia nespecifikován
Semestr Zimní a letní
Počet ECTS kreditů 5
Vyučovací jazyk Čeština
Statut předmětu Povinný, Povinně-volitelný
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Vyučující
  • Paleček Karel, Ing. Ph.D.
Obsah předmětu
Témata přednášek a navazujících cvičení: 1) Úvod a motivace, lineární klasifikace 2) Logistická regrese a SVM 3) Učení vícevrstvých sítí, zpětná propagace 4) Konvoluční neuronové sítě 5) Praktické aspekty trénování NN: inicializace, nelinearita, regularizace 6) Praktické aspekty trénování NN: normalizace a příprava dat, verifikace 7) Rekurentní neuronové sítě 8) Generování a klasifikace textu 9) Lokalizace a detekce objektů 10) Segmentace objektů a úprava obrázků 11) Vizualizace a analýza konvolučních sítí, přenos stylu 12) Generativní modely, učení bez učitele 13) Přehled nástrojů pro práci s NN 14) Úvod do reinforcement learning

Studijní aktivity a metody výuky
Monologický výklad (přednáška, prezentace, vysvětlování), Samostatná práce studentů (studium textů, literatury, problémové úkoly,výzkum, pisemná práce)
  • Účast na výuce - 56 hodin za semestr
  • Domácí příprava na výuku - 64 hodin za semestr
  • Příprava na zkoušku - 30 hodin za semestr
Výstupy z učení
Studenti se v předmětu seznámí s využitím umělých neuronových sítí (NN) v oblasti strojového učení a umělé inteligence. Budou vysvětleny jak základní principy jejich fungování, tak i jejich reálné nasazení např. pro detekci a rozpoznávání objektů v obraze či porozumění a automatický překlad textu.
Teoretické poznatky a praktické dovednosti z požadované oblasti.
Předpoklady
Podmínkou je absolvování předmětu Úvod do strojového učení (USU).

Hodnoticí metody a kritéria
Kombinovaná zkouška

Podmínkou splnění předmětu je vypracování samostatných úloh.
Doporučená literatura
  • https://www.deeplearning.ai/.
  • Bishop, C. Pattern Recognition and Machine Learning. 2006. ISBN 13: 978-038731073.
  • Goodfellow, I., Bengio, Y., Courville, A. Deep learning. MIT Press, 2016.
  • Karpathy, A., Johnson, J., Li, F. Convolutional neural neworks for visual recognition.


Studijní plány, ve kterých se předmět nachází
Fakulta Studijní plán (Verze) Kategorie studijního oboru/specializace Doporučený ročník Doporučený semestr
Fakulta: Fakulta mechatroniky, informatiky a mezioborových studií Studijní plán (Verze): Informační technologie (2013) Kategorie: Informatické obory 3 Doporučený ročník:3, Doporučený semestr: Letní