Uniwersytet Marii Curie-Skłodowskiej w Lublinie - Centralny System Uwierzytelniania
Strona główna

Przedmiot fakulatywny 1 - Sztuczne sieci neuronowe

Informacje ogólne

Kod przedmiotu: MFI-I.3Z.224
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Przedmiot fakulatywny 1 - Sztuczne sieci neuronowe
Jednostka: Wydział Matematyki, Fizyki i Informatyki
Grupy: Przedmioty fakultatywne - informatyka 5 semestr
Punkty ECTS i inne: 0 LUB 5.00 (w zależności od programu) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Wymagania wstępne:

Podstawowa wiedza z algebry (rachunek macierzowy, rozwiązywanie układów równań liniowych i nieliniowych), analizy matematycznej i rachunku prawdopodobieństwa, elementów logiki matematycznej, jak również umiejętność programowania w języku Python.

Godzinowe ekwiwalenty punktów ECTS:

Czas pracy z udziałem nauczycieli: 60 godzin – 2 pkt

Przygotowanie do laboratorium: 45 godzin - 1.5 pkt

Projekt zaliczeniowy: 30 godzin – 1 pkt

Przygotowanie do egzaminu: 15 godzin – 0.5 pkt

Sumaryczna liczba punktów ECTS dla modułu: 5 pkt

W tym liczba punktów ECTS za godziny kontaktowe z bezpośrednim udziałem nauczyciela akademickiego - 2 pkt

W tym liczba punktów ECTS za godziny realizowane w formie samodzielnej pracy studenta - 3 pkt

Sposób weryfikacji efektów kształcenia:

Wykład: egzamin pisemny.

Ćwiczenia: ocena z realizacji projektów.

Pełny opis:

W ramach przedmiotu studenci będą zapoznani ze sztucznymi sieciami neuronowymi - ich budową, metodami uczenia oraz potencjalnymi zastosowaniami. Zostaną przedstawione praktycznie wszystkie używane dziś struktury sieci, poczynając od najprostszych, takich jak w tym perceptron wielowarstwowy, poprzez sieci splotowe (konwolucyjne), asjocjacyjne (sieci Hopfielda), autoenkodery, sieci rekurencyjne (LSTM, GRU), na sieciach generatywnych (GAN) kończąc. Studenci poznają różnorodne algorytmy uczenia sieci, metody ich regularyzacji i optymalizacji. W ramach ćwiczeń ich uczestnicy praktycznie opanują narzędzia programistyczne (Tensorflow, Keras), stosowane do budowania sieci neuronowych, jak również praktyczne przykłady ich zastosowania. Będą ponadto poruszone aspekty techniczne oraz dobre praktyki w uczeniu i implementowaniu sieci neuronowych.

Literatura:

1. Yoshua Bengio, Aaron Courville, Ian Goodfellow: Deep Learning. Systemy uczące się. PWN, 2018.

2. John Hertz, Anders Krogh, Richard G. Palmer: Wstęp do teorii obliczeń neuronowych. WNT, 1995.

3. Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants: Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe. Helion, 2018.

Efekty uczenia się:

Wiedza:

1. Znajomość podstawowych modeli neuronów.

2. Znajomość podstawowych typów architektur sztucznych sieci neuronowych.

3. Znajomość wybranych algorytmów uczenia sieci neuronalnych.

Umiejętności:

1. Umiejętność zaprojektowania i implementacji wybranych struktur sieci neuronowych (w tym z użyciem bibliotek języka Python).

2. Umiejętność zastosowania wybranych algorytmów uczenia nadzorowanego i nienadzorowanego.

3. Umiejętność rozwiązywania problemów związanych z realizacją procesów

uczenia.

Kompetencje:

1. Aktywna postawa w docieraniu do wiedzy specjalistycznej.

2. Twórcze podejście do problemów stosowania metod sztucznej inteligencji w nauce i technice.

3. Krytyczna ocena wiedzy, dostępnej w literaturze specjalistycznej i popularno-naukowej.

Zajęcia w cyklu "Semestr zimowy 2023/2024" (zakończony)

Okres: 2023-10-01 - 2024-02-04
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Andrzej Bobyk
Prowadzący grup: Andrzej Bobyk, Andrzej Kawiak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr zimowy 2024/2025" (w trakcie)

Okres: 2024-10-01 - 2025-02-03
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Andrzej Bobyk
Prowadzący grup: Andrzej Bobyk, Andrzej Kawiak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-96c5a8fb3 (2024-10-22)