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

Neuronové sítě 2

Předmět není vypsán Nerozvrhuje se
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:

1. Úvod do hlubokého učení, historie a základní pojmy, existující frameworky pro hluboké učení

2. Hluboké neuronové sítě: Architektury a aktivační funkce

3. Algoritmy pro učení hlubokých neuronových sítí

4. Optimalizace a ladění hyperparametrů

5. Regularizace modelů hlubokých neuronových sítí

6. Konvoluční neuronové sítě: Základy a principy

7. Architektury konvolučních neuronových sítí.

8. Konvoluční neuronové sítě pro detekci objektů a segmentaci.

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

10. Rekurentní neuronové sítě a zpracování sekvenčních dat

11. Architektury rekurentních neuronových sítí

12. Autoencodery: Principy a aplikace

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

Osnova cvičení:

Struktura cvičení odpovídá struktuře přednášek. 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.

Cíle studia:

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

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:
Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 16. 6. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet7800906.html