PředmětyPředměty(verze: 949)
Předmět, akademický rok 2021/2022
  
Neural Networks - AM445004
Anglický název: Neural Networks
Zajišťuje: Ústav matematiky, informatiky a kybernetiky (446)
Fakulta: Fakulta chemicko-inženýrská
Platnost: od 2021 do 2021
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: neomezen / neomezen (neurčen)
Minimální obsazenost: neomezen
Jazyk výuky: angličtina
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Pro druh: navazující magisterské
Garant: Mudrová Martina Ing. Ph.D.
Procházka Aleš prof. Ing. CSc.
Neslučitelnost : M445004
Záměnnost : M445004
Je neslučitelnost pro: M445004
Je záměnnost pro: M445004
Anotace - angličtina
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (14.06.2022)
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.
Literatura - angličtina
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (22.09.2023)

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

Sylabus - angličtina
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (22.09.2023)

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.

 
VŠCHT Praha