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:

Podmínky pro získání zápočtu:

1) Projekt

Student vypracuje projekt na zvolené téma, které je nutné nechat schválit vyučujícím do 25. 11. 2025.

Projekt musí být odevzdán a odprezentován na cvičení v předem dohodnutém termínu.

Prezentace před ostatními studenty je povinná, proběhne nejpozději v týdnu od 15. 12. 2025.

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

2) Účast na cvičení.

Student se pravidelně účastní cvičení.

V odůvodněných případech (např. kolize rozvrhu) lze po včasné dohodě s vyučujícím plnit povinnosti formou samostatné přípravy.

Hodnocení

Výsledná známka je určena podle:

1) kvality vypracovaného projektu, dodržení termínů,

2) aktivní účasti na cvičeních (student se pravidelně účastní cvičení, sleduje výklad, zapojuje se do řešení úloh, experimentuje, příp. se ptá apod.).

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 a základní pojmy, existující frameworky pro hluboké učení. Základní práce s frameworky Keras, 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. 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] 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:

• Kvantové technologie (volitelný předmět)