Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2024/2025

Neuronové sítě 2

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
18NES2 KZ 3 0P+2C česky
Garant předmětu:
Zuzana Petříčková
Přednášející:
Zuzana Petříčková, František Voldřich
Cvičící:
Zuzana Petříčková, František Voldřich
Předmět zajišťuje:
katedra softwarového inženýrství
Anotace:

Cílem předmětu „Neuronové sítě 2“ je seznámit studenty se základními modely hlubokých neuronových sítí a naučit je tyto modely a metody aplikovat při řešení praktických úloh.

Požadavky:
Osnova přednášek:
Osnova cvičení:

Cvičení se zaměří na experimentování s různými modely hlubokých sítí s využitím populárních frameworků (např. TensorFlow nebo PyTorch) na praktických úlohách (zpracování obrazových a sekvenčních dat, detekce objektů, segmentace,...). Studenti získají zkušenosti s analýzou výsledků a dozví se o praktických aspektech implementace a ladění modelů, což jim pomůže lépe porozumět hlubokému učení.

1. Úvod do hlubokého učení, historie a základní pojmy, existující frameworky pro hluboké učení. Základní práce s frameworkem TensorFlow nebo PyTorch. Vytvoření jednoduché neuronové sítě nad numerickými daty.

2. Hluboké neuronové sítě: Architektury a aktivační funkce. Implementace a trénování hluboké neuronové sítě na datasetu MNIST.

3. Úvod do řešení základních typů úloh (klasifikace, regrese, predikce časové řady). Specifika jednotlivých typů úloh.

4. Konvoluční neuronové sítě: Základní principy. Konvoluční neuronové sítě pro řešení klasifikačních úloh. Architektury konvolučních neuronových sítí.

5. Hluboké učení a data. Získání, příprava a zpracování dat. Normalizace a standardizace. Augmentace dat.

6. Algoritmy pro učení hlubokých neuronových sítí, optimalizace a ladění hyperparametrů (grid search, random search, Bayesian optimization), regularizace modelů hlubokých neuronových sítí.

7. Předtrénování a fine-tuning hlubokých neuronových sítí. Transfer learning.

8. Rekurentní neuronové sítě a zpracování sekvenčních dat

9. Architektury rekurentních neuronových sítí

10-11. Konvoluční neuronové sítě pro detekci objektů a segmentaci.

12. Enkodery: Principy a aplikace (denoising, redukce dimenzionality)

13. Jemný úvod do dalších modelů neuronových sítí (generativní modely, transformery, zpětnovazebné učení)

Cíle studia:

Studenti se seznámí s různými základními modely hlubokých neuronových sítí (základní model, konvoluční neuronové sítě, rekurentní neuronové sítě, enkodery).

Studenti se naučí, jak implementovat a použít probírané modely a metody pro řešení praktických úloh.

Studijní materiály:

[1] Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, 2016, MIT Press

[2] Charu C. Aggarwal: Neural Networks and Deep Learning: A Textbook, 2018, Springer

[3]Ivan Vasilev, Daniel Slater: Python Deep Learning, 2019, Packt Publishing

[4] Andrew W. Trask: Grokking Deep Learning, 2019, Manning Publications

Poznámka:
Rozvrh na zimní semestr 2024/2025:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
Út
St
Čt
místnost TR:115
Petříčková Z.
10:00–11:50
(paralelka 101)
Trojanova 13
PC učebna KM

Rozvrh na letní semestr 2024/2025:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 9. 12. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet7800906.html