PředmětyPředměty(verze: 948)
Předmět, akademický rok 2019/2020
  
Neuronové sítě - M445004
Anglický název: Neural Networks
Zajišťuje: Ústav počítačové a řídicí techniky (445)
Fakulta: Fakulta chemicko-inženýrská
Platnost: od 2019 do 2019
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
Jazyk výuky: angličtina
Způsob výuky: prezenční
Způsob výuky: prezenční
Úroveň:  
Pro druh: navazující magisterské
Poznámka: předmět je možno zapsat mimo plán
povolen pro zápis po webu
Garant: Procházka Aleš prof. Ing. CSc.
Mudrová Martina Ing. Ph.D.
Neslučitelnost : AM445004
Záměnnost : AM445004, N445024
Je neslučitelnost pro: AM445004
Je záměnnost pro: AM445004
Termíny zkoušek   Rozvrh   
Pro tento předmět jsou dostupné online materiály
Anotace -
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (14.06.2022)
Předmět je zaměřen na seznámení s běžně používanými architekturami neuronových sítí, vhodných pro různé typy řešených problémů a zpracovávaných dat. Přednáška pokrývá nezbytnou teorii, především je však zaměřena na praktické aspekty návrhu neuronové sítě. Na cvičení si studenti vyzkouší natrénovat navržené modely hlubokovrstvých sítí a dále je zoptimalizovat.
Výstupy studia předmětu
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (14.06.2022)

Studenti budou umět:

(i) vybrat vhodnou architekturu neuronové sítě pro zvolený typ dat

(ii) navrhnout příslušný model a vybrat vhodný optimalizační algoritmus pro trénování

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

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

Studijní opory
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (14.06.2022)

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

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

1. Úvod do neuronových sítí.

2. Dopředné vícevrstvé neuronové sítě, základní architektury a aktivační přenosové funkce.

3. Optimalizační algoritmy pro trénování.

4. Regularizace modelů neuronových sítí.

5. Frameworky pro tvorbu neuronových sítí.

6. Konvoluční neuronové sítě, normalizace.

7. Architektury vhodné pro hluboké konvoluční sítě.

8. Architektury pro detekce objektů a segmentaci.

9. Předtrénování a fine-tuning hlubokých neuronových sítí.

10. Rekurentní neuronové sítě a problémy jejich trénování.

11. Rekurentní neuronové sítě - obousměrné a hluboké rekurentní sítě.

12. Architektura Transformer.

13. Návrh a optimalizace neuronových sítích v různých prostředích.

14. Zpětnovazebné učení.

Podmínky zakončení předmětu (Další požadavky na studenta) -
Poslední úprava: Cejnar Pavel RNDr. Mgr. Ph.D. (14.06.2022)

Zápočet je udělován za vypracování dostatečného množství úloh (získání příslušného počtu bodů, příp. včetně bonusových bodů). Úlohy jsou zadávány během celého semestru. Student si může vybrat, které z úloh chce vypracovávat, aby získal potřebný počet bodů. Zkouška sestává z písemného testu s otázkami náhodně vybranými ze souboru předem známých otázek.

Klasifikaci u zkoušky lze zlepšit či zcela nahradit vypracováním rozšířeného množství zápočtových úloh (získání rozšířeného počtu bodů).

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
Hodnocení studenta
Forma Váha
Aktivní účast na výuce 30
Protokoly z individuálních projektů 30
Ústní zkouška 40

 
VŠCHT Praha