Aktualności
Zmiany w trybie prowadzenia zajęć w okresie przedświątecznym
Saturday, 04.12.2021 · 12:07
Ze względu na sytuację epidemiczną Dziekan Wydziału zadecydował o zmianie trybu prowadzenia zajęć w okresie przedświątecznym:
1. W dniach 15 - 21 grudnia wszystkie regularne zajęcia dydaktyczne prowadzone na Wydziale będą odbywać się zdalnie.
2. W dniach 13 - 14 grudnia regularne zajęcia dydaktyczne prowadzone na Wydziale będą odbywać się zdalnie, z następującymi wyjątkami:
* zajęcia prowadzone dla studentów I roku matematyki, informatyki i ISIM odbędą się według planu i zachowają obecny tryb (zajęcia prowadzone stacjonarnie pozostaną stacjonarne)
* pracownia do przedmiotu Systemy wbudowane we wtorek 14 grudnia będzie przeprowadzona stacjonarnie
3. Kolokwia zaplanowane w okresie 13 - 21 grudnia zostaną przeprowadzone w trybie zdalnym lub przeniesione na inny termin, za wyjątkiem kolokwiów zaplanowanych dla studentów I roku w dniach 13 - 14 grudnia, które odbędą się stacjonarnie.
Lista przedmiotów prowadzonych według oryginalnego planu w dniach 13-14 grudnia:
* Analiza matematyczna
* Logika dla informatyków
* Logika dla informatyków (zaawansowana)
* Kurs: Podstawowy warsztat informatyka
* Kurs: Wstęp do programowania w języku C
* Kurs: Wstęp do programowania w języku Python
* Wstęp do informatyki
* Systemy wbudowane (pracownia)
Wykład Grzegorza Głucha
Wednesday, 17.11.2021 · 12:35
Grzegorz jest naszym absolwentem, obecnie pracuje nad swoim doktoratem na EPFL i opowie o tym czym się tam zajmuje.
Wykład odbędzie się w **środę 24.11.2021** w sali **119** II UWr. Ze względów covidowych prosimy o wcześniejszą rejestrację: https://forms.office.com/r/h04H11mknz
**Noether: The More Things Change, the More Stay the Same**
Symmetries have proven to be important ingredients in the analysis of neural networks. So far their use has mostly been implicit or seemingly coincidental. I will explain how to undertake a systematic study of the role that symmetry plays. In particular, how symmetry interacts with the learning algorithm. The key ingredient in the study is played by Noether’s celebrated theorem which, informally speaking, states that symmetry leads to conserved quantities (e.g., conservation of energy or conservation of momentum). In the realm of neural networks under gradient descent, model symmetries imply restrictions on the gradient path. E.g., I will show that symmetry of activation functions leads to boundedness of weight matrices, for the specific case of linear activations it leads to balance equations of consecutive layers, data augmentation leads to gradient paths that have “momentum”-type restrictions, and time symmetry leads to a version of the Neural Tangent Kernel.
Symmetry alone does not specify the optimization path, but the more symmetries are contained in the model the more restrictions are imposed on the path. Since symmetry also implies over-parametrization, this in effect implies that some part of this over-parametrization is cancelled out by the existence of the conserved quantities. Symmetry can therefore be thought of as one further important tool in understanding the performance of neural networks under gradient descent.