Neuronové sítě 2

Garant předmětu:

Přednášející:

Zuzana Petříčková

Cvičící:

Zuzana Petříčková

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:

Požadavky:

1) Povinně: Vypracování projektu a jeho osobní prezentace na cvičení

2) Nepovinně (ale počítá se do výsledné známky): Pravidelná účast na cvičeních. V odůvodněných případech (např. kolize rozvrhu) je po předchozí domluvě s vyučujícím možná samostatná příprava a individuální konzultace.

Závazné termíny:

1) Student si zvolí téma projektu a nechá si ho schválit vyučujícím do 18. 11. 2025.

2) Student odevzdá a odprezentuje projekt před ostatními studenty na cvičení v předem dohodnutém termínu, nejpozději v týdnu od 15. 12. 2025.

3) Pokud projekt nebude dokončen včas, student na cvičení představí aktuální stav. Finální verzi pak předvede během individuální konzultace nejpozději do 4. 9. 2026.

Detaily: http://zuzka.petricek.net/vyuka_2025/NES2_2025/credits.php

Osnova přednášek:

Osnova cvičení:

Cvičení se zaměří na experimentování s různými modely hlubokých sítí s využitím populárních frameworků (např. Keras, 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, základní pojmy. Frameworky (Keras, TensorFlow, PyTorch) a jejich použití. 2. Základy hlubokých neuronových sítí: architektury, aktivační funkce, implementace a trénink na ukázkovém datasetu.

3. Základní typy úloh (klasifikace, regrese, predikce časové řady) - specifika a ukázkové příklady.

4. Data pro hluboké učení: získávání, příprava, průzkumná analýza, normalizace, standardizace, augmentace. 5-6. Klasifikace obrazu: konvoluční neuronové sítě (CNN), principy, implementace, vybrané architektury

7. Trénování a ladění modelů: optimalizace, ladění hyperparametrů, regularizace, strategie učení, předtrénované modely a transfer learning

8. Pokročilé aplikace konvolučních neuronových sítí: detekce objektů, segmentace, encoder-decoder architektury.

9. Modelování sekvenčních dat: časové řady, rekurentní neuronové sítě (RNN, LSTM, GRU)

10. Zpracování přirozeného jazyka: od RNN k transformerům, praktické ukázky (např. sentiment analysis)

11-12. Generativní modely: autoenkodéry, variační autoenkodéry, GAN a jejich aplikace

12-13. Prezentace studentských projektů

Cíle studia:

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

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

Studijní materiály:

[1] F. Chollet, M. Watson: Deep Learning with Python, Second Edition, 2021 (Third Edition - 2025).

[2] M. Nielson: Neural Networks and Deep Learning, 2019.

[3] A. Kapoor , A. Gulli , S. Pal: Deep Learning with TensorFlow and Keras 3rd edition, 2022.

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

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

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

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

Poznámka:

Další informace:

http://zuzka.petricek.net/

Rozvrh na zimní semestr 2025/2026:

Rozvrh není připraven

Rozvrh na letní semestr 2025/2026:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Aplikace informatiky v přírodních vědách (volitelný předmět)
• Aplikované matematicko-stochastické metody (volitelný předmět)
• Kvantové technologie (volitelný předmět)