Tagi
systemy sieciowe i komputerowe algorytmika i złożoność obliczeniowa metody numeryczne i grafika komputerowa języki programowania i logika przetwarzanie danych Data Science Praca zespołowa Bazy danych Ekonomia Inżynieria oprogramowania Projektowanie i programowanie obiektowe Architektury systemów komputerowych Systemy operacyjne Sieci komputerowe Ochrona własności intelektualnej Rachunek prawdopodobieństwa i statystykaEfekty kształcenia
Podstawy informatyki i programowania Programowanie i projektowanie obiektowe Architektury systemów komputerowych Rachunek prawdopodobieństwa (L) Systemy operacyjne Sieci komputerowe Bazy danych Podstawy inżynierii oprogramowania Inżynieria oprogramowania (L) Rachunek prawdopodobieństwa (I) Społeczno-ekonomiczne aspekty informatyki (I)Neural Networks and Deep Learning
Język wykładowy | Angielski |
---|---|
Semestr | Letni |
Status | W ofercie |
Opiekun | Jan Chorowski |
Liczba godzin | 30 (wyk.) 30 (prac.) |
Rodzaj | I2.Z - zastosowania inf. |
ECTS | 6 |
Polecany dla I roku | Nie |
Egzamin | Tak |
Tagi | PD (przetwarzanie danych) DS (Data Science) |
Opis przedmiotu:
Information for enrolled/prospective students: all information is on SKOS (please self-enroll into Deep Learning 2021), materials are on GitHub, lectures will be streamed and recorded in Teams. Enrollment code is in SKOS.
Neural Networks and other Deep Learning techniques allow creation of programs that are learned rather than written. This means that instead of implementing a concrete algorithm, the program applies patterns that are automatically found in the data. In example, a translation system such as the Google Translate can be created by applying a deep neural network to a large corpus of translated documents.
The lecture is a continuation of the Machine Learning course, focusing on Deep Learning techniques. We will speak about the current state of the art techqniques for image recognition and language processing such as convolutional and recurrent neural networks with the attention mechanism. We will also speak about data generation techniques, such as autoencoders and generative adversarial networks and we wil see a bit of deep reinforcement learning.
The lecture will be accompanied by computer exercises:
- Key topics will be illustrated by small exercises.
- We wil introduce the PyTorch deep learning framework.
- A larger project will give you the opportunity to tackle a real world machine learning problem.