Uczenie głębokie z sieciami neuronowymi Kierunek studiów: Informatyka
Kod programu: W4-S2INA19.2022

Nazwa modułu: Uczenie głębokie z sieciami neuronowymi
Kod modułu: W4-INA-S2-20-F-UGzSN
Kod programu: W4-S2INA19.2022
Semestr:
  • semestr letni 2025/2026
  • semestr zimowy 2025/2026
  • semestr letni 2024/2025
  • semestr zimowy 2024/2025
  • semestr letni 2023/2024
  • semestr zimowy 2023/2024
Język wykładowy: angielski
Forma zaliczenia: zaliczenie
Punkty ECTS: 4
Opis:
Podstawy głębokiego uczenia i sieci neuronowych. Metody doboru wag i funkcje aktywacji w sieciach neuronowych. Klasyfikacja sieci neuronowych ze względu na ich budowę. Tworzenie sieci głębokich. Strojenie sieci głębokich. Uczenie przez wzmacnianie.
Wymagania wstępne:
(brak informacji)
Literatura podstawowa:
1. Tom Mitchell, Machine Learning, McGraw Hill, 1997. 2. Christopher M. Bishop Pattern Recognition and Machine Learning, Springer, 2007. 3. Paweł Cichosz, Systemy uczące się, WNT, 2000. 4. S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 3rd Ed., Pearson, 2010. 5. D. Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational * Agents, Cambridge University Press, 2010. Weka toolkit, http://www.cs.waikato.ac.nz/ml/weka/ 6. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow , Aurélien Géron, Helion, 2018. 7. Python: uczenie maszynowe / Sebastian Raschka, Vahid Mirjalili ; tłumaczenie: Krzysztof Sawka, Helion, 2019.
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 1-5]
Ma wiedzę z zakresu sztucznych sieci neuronowych. [M_001]
 K_W09 [1/5]
Zna metody i algorytmy uczenia głębokich sieci neuronowych [M_002]
 K_W02 [1/5]
Potrafi zaprojektować i zaimplementować głęboką sieć neuronową. [M_003]
 K_U01 [1/5]
Potrafi wytrenować sieć neuronową do rozwiązania określonego problemu uczenia maszynowego. [M_004]
 K_U02 [1/5]
Potrafi ocenić skuteczność wytrenowanej sieci neuronowej. [M_005]
 K_U05 [1/5]
Zna możliwości współczesnych sieci neuronowych. Ma świadomość znaczenia metod uczenia maszynowego w rozwoju nowoczesnych rozwiązań IT. [M_006]
 K_K01 [1/5]
Typ Opis Kody efektów modułowych do których odnosi się sposób weryfikacji
Kolokwium [W_001]
Rozwiązywanie zadań i udzielanie odpowiedzi na pytania otwarte.
 M_001 M_002
Projekt implementacji [W_002]
Ocena projektu po prezentacji multimedialnej całej grupy.
 M_003 M_004 M_005
Prezentacja multimedialna [W_003]
Ocena ważności samooceny pracy zbiorowej oraz weryfikacja stawianych hipotez.
 M_006
Rodzaj prowadzonych zajęć Praca własna studenta Sposoby weryfikacji
Typ Opis (z uwzględnieniem metod dydaktycznych) Liczba godzin Opis Liczba godzin
wykład [Z_001]
Podanie treści kształcenia w formie werbalnej z wykorzystaniem wizualizacji treści. Skupienie się na materiale trudnym pojęciowo i wskazanie adresów stron internetowych i pakietu e-learningowego
 15
Zapoznanie się z tematyką wykładu z wykorzystaniem istniejących pakietów metod: skryptu, stron internetowych i pakietu e-learningowego
 30 Kolokwium [W_001]
laboratorium [Z_002]
Szczegółowe przygotowanie studentów do implementacji algorytmów ze wskazaniem na metodologię postępowania, wskazaniem kolejności wykonywanych czynności
 30
Samodzielne opracowanie i przygotowanie studentów do kolokwiów zaliczających z laboratorium. Wykonanie projektu - implementacji danego systemu w grupie wieloosobowej
 45 Kolokwium [W_001] Projekt implementacji [W_002] Prezentacja multimedialna [W_003]
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)