Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Deep Learning
Koordynator przedmiotu:
Prof. dr hab. inż. Jacek Mańdziuk
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Data Science
Grupa przedmiotów:
Współny
Kod przedmiotu:
.
Semestr nominalny:
2 / rok ak. 2022/2023
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 65 h; w tym a) obecność na wykładach – 15 h b) obecność na zajęciach projektowych – 45 h c) konsultacje – 5 h 2. praca własna studenta – 60 h; w tym a) zapoznanie się z literaturą – 10 h b) przygotowanie projektów – 40 h c) przygotowanie raportu/prezentacji projektów– 10 h Razem 125 h, co odpowiada 5 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1. obecność na wykładach – 15 h 2. obecność na zajęciach projektowych – 45 h 3. konsultacje – 5 h Razem 65 h, co odpowiada 3 pkt. ECTS
Język prowadzenia zajęć:
angielski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1. obecność na zajęciach projektowych – 45 h 2. przygotowanie projektów – 40h 3. przygotowanie raportów / prezentacji projektów – 10 h Razem 95 h, co odpowiada 4 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt45h
  • Lekcje komputerowe0h
Wymagania wstępne:
Basic knowledge about artificial neural networks and machine learning. Python programming skills.
Limit liczby studentów:
Number of groups: no limits Project – the number of students in a group matches the limits defined by the Warsaw University of Technology
Cel przedmiotu:
The main objective is to acquaint students with basic deep learning techniques. Special focus is on gaining practical skills in building complex neuronal structures and their efficient training within the Deep Learning paradigm.
Treści kształcenia:
Lecture: 1. Revision of basic concepts of artficial neural networks 2. Gradient-based learning, transfer functions and their properties 3. Deep learning strategies (error functions, training set size, mini-batch size, vanishing gradient, pre-training, post-tuning, ReLU units, regularization, dropout) 4. Deep unsupervised learning (autoencoders, dimensionality reduction, representation learning, transfer learning) 5. Convolutional neural networks (weight sharing, pooling, position invariance) and their application in image procesing and analysis 6. Deep recurrent networks (LSTM) – their properties and examples of application 7. Generative models (GAN, VAE, DBM) – their properties and application examples Project classes: Implementation of selected deep neural network models, analysis of their properties, studying the relationship between the quality of results and the model’s structure and parameterization.
Metody oceny:
Project-based assessment. Standard scoring system: 91-100, grade A (5.0), 81-90, grade B+ (4.5), …, 51-60 grade C (3.0), below 51- grade D (2.0).
Egzamin:
nie
Literatura:
1. Li Deng and Dong Yu, "Deep Learning: Methods and Applications", Foundations and Trends® in Signal Processing: Vol. 7: No. 3–4, pp 197-387, 2014. 2. Y. Bengio, I. A. N. Goodfellow, AN. Courville, Deep Learning, MIT Press, 2016. 3. Hands-On Learning with Scikit-Learn and Tensorflow, O'Reilly.
Witryna www przedmiotu:
.
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Has knowledge about various deep learning models and training algorithms
Weryfikacja: Partial assessment (the stage of analysis) of the projects.
Powiązane charakterystyki kierunkowe: DS2_W03, DS2_W06
Powiązane charakterystyki obszarowe:
Charakterystyka W02
Has practical knowledge about application of particular deep architectures to solving specific types of problems.
Weryfikacja: Partial assessment (the stage of analysis) of the projects.
Powiązane charakterystyki kierunkowe: DS2_W06
Powiązane charakterystyki obszarowe:
Charakterystyka W03
Has knowledge about selected development frameworks supporting implementation and usage of deep learning models.
Weryfikacja: Partial assessment (the stage of analysis) of the projects.
Powiązane charakterystyki kierunkowe: DS2_W04
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Is able to design and implement selected deep neural models and assess their performance in particular problem context.
Weryfikacja: Assessment of projects’ outcomes.
Powiązane charakterystyki kierunkowe: DS2_U04, DS2_U14
Powiązane charakterystyki obszarowe:
Charakterystyka U02
Is able to select deep learning model suitable for the problem being solved and analyse strong and weak points of the proposed solution.
Weryfikacja: Assessment of projects’ outcomes.
Powiązane charakterystyki kierunkowe: DS2_U05
Powiązane charakterystyki obszarowe:
Charakterystyka U03
Is able to efficiently communicate in English within the scope of deep learning.
Weryfikacja: Public presentation of projects and their results.
Powiązane charakterystyki kierunkowe: DS2_U15
Powiązane charakterystyki obszarowe:

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Understands their responsibility as a team member for the overall project realization.
Weryfikacja: Assessment of projects’ realization (punctuality, competency, schedule, task assignent within a team).
Powiązane charakterystyki kierunkowe: DS2_K03
Powiązane charakterystyki obszarowe: