|
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.
|