PředmětyPředměty(verze: 953)
Předmět, akademický rok 2023/2024
  
Neural Networks - AM445004
Anglický název: Neural Networks
Zajišťuje: Ústav matematiky, informatiky a kybernetiky (446)
Fakulta: Fakulta chemicko-inženýrská
Platnost: od 2022
Semestr: letní
Body: letní s.:5
E-Kredity: letní s.:5
Způsob provedení zkoušky: letní s.:
Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
Počet míst: neurčen / neurčen (neurčen)
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: angličtina
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Další informace: https://moodle.vscht.cz/enrol/index.php?id=55
Garant: Cejnar Pavel RNDr. Mgr. Ph.D.
Neslučitelnost : M445004
Záměnnost : M445004
Je neslučitelnost pro: M445004
Je záměnnost pro: M445004
Anotace - angličtina
The course is focused on comprehension of commonly used neural network architectures, suitable for various types of solved problems and processed data. Lectures cover the necessary theory, but are mainly focused on practical aspects of neural network design. For seminars, students will try to train the designed models of neural networks and further optimize them.
Poslední úprava: Cejnar Pavel (14.06.2022)
Výstupy studia předmětu - angličtina

Students will be able to:

(i) select the appropriate neural network architecture for the selected data type

(ii) design the neural network model and select the appropriate optimization algorithm for training

Poslední úprava: Cejnar Pavel (14.06.2022)
Literatura - angličtina

A: Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning. MIT Press, 2016. http://www.deeplearningbook.org

Poslední úprava: Cejnar Pavel (22.09.2023)
Studijní opory - angličtina

https://moodle.vscht.cz/enrol/index.php?id=55

Poslední úprava: Cejnar Pavel (14.06.2022)
Sylabus - angličtina

1. Introduction to neural networks.

2. Feed-forward neural networks, basic architectures and activation functions.

3. Optimization algorithms for training.

4. Regularization of neural network models.

5. Frameworks for neural network development.

6. Convolutional neural networks, normalization.

7. Architectures suitable for deep convolutional neural networks.

8. Architectures for object detection and segmentation.

9. Pre-training and fine-tuning of deep neural networks.

10. Recurrent neural networks and problems of their training.

11. Recurrent neural networks - bidirectional and deep recurrent networks.

12. Transformer architecture.

13. Design and optimization of neural networks in various environments.

14. Reinforcement learning.

Poslední úprava: Cejnar Pavel (22.09.2023)
Vstupní požadavky - angličtina

basic programming skills in Python, MATLAB (at least one of them) are advisable

Poslední úprava: Cejnar Pavel (14.06.2022)
Podmínky zakončení předmětu (Další požadavky na studenta) - angličtina

The student passes the practicals by submission of sufficient number of assignments (obtaining the appropriate number of points, including bonus points). The assignments are announced regularly during the whole semester. The student can choose which of the assignments to work on in order to obtain the necessary number of points. The written exam test consists of randomly selected questions from a set of previously announced exam questions. Classification in the exam can be improved or replaced by submission of an extended number of assignments (obtaining the extended number of points).

Poslední úprava: Cejnar Pavel (14.06.2022)
Zátěž studenta
Činnost Kredity Hodiny
Účast na přednáškách 1 28
Příprava na přednášky, semináře, laboratoře, exkurzi nebo praxi 1 28
Práce na individuálním projektu 1 28
Příprava na zkoušku a její absolvování 1 28
Účast na seminářích 1 28
5 / 5 140 / 140
 
VŠCHT Praha