Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Głębokie uczenie
Tok studiów:
2019/2020
Kod:
HIFS-2-217-s
Wydział:
Humanistyczny
Poziom studiów:
Studia II stopnia
Specjalność:
-
Kierunek:
Informatyka Społeczna
Semestr:
2
Profil:
Praktyczny (P)
Język wykładowy:
Polski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr inż. Igras-Cybulska Magdalena (migras@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Przedmiot stanowi wprowadzenie do sieci neuronowych i uczenia głębokiego, z uwzględnieniem architektur, sposobów działania, projektowania i zastosowań.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Zna metody i algorytmy uczenia głębokich sieci neuronowych. IFS2P_W06 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Student potrafi posługiwać się współczesnymi narzędziami konstrukcji systemów agentowych. IFS2P_U04 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach
M_U002 Potrafi wytrenować sieć neuronową do rozwiązania określonego problemu uczenia maszynowego. Potrafi ocenić skuteczność wytrenowanej sieci. IFS2P_W06 Wykonanie ćwiczeń,
Aktywność na zajęciach
Kompetencje społeczne: jest gotów do
M_K001 Zna możliwości współczesnych sieci neuronowych. Ma świadomość znaczenia metod uczenia maszynowego w rozwoju nowoczesnych rozwiązań IT. IFS2P_K02 Wykonanie ćwiczeń laboratoryjnych,
Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
15 0 0 15 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Zna metody i algorytmy uczenia głębokich sieci neuronowych. - - + - - - - - - - -
Umiejętności
M_U001 Student potrafi posługiwać się współczesnymi narzędziami konstrukcji systemów agentowych. - - + - - - - - - - -
M_U002 Potrafi wytrenować sieć neuronową do rozwiązania określonego problemu uczenia maszynowego. Potrafi ocenić skuteczność wytrenowanej sieci. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Zna możliwości współczesnych sieci neuronowych. Ma świadomość znaczenia metod uczenia maszynowego w rozwoju nowoczesnych rozwiązań IT. - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 25 godz
Punkty ECTS za moduł 1 ECTS
Udział w zajęciach dydaktycznych/praktyka 15 godz
Przygotowanie do zajęć 9 godz
Dodatkowe godziny kontaktowe 1 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (15h):

Sieci neuronowe – historia i nowe perspektywy. Modele z funkcją energii. Sieci DBN i zachłanne uczenie głębokich sieci neuronowych. Algorytm wstecznej propagacji błędów i jego zastosowania w uczeniu głębokich sieci neuronowych. Regularyzacja w głębokich sieciach neuronowych. Nowe funkcje aktywacji neuronów – ReLU. Głębokie sieci auto-asocjacyjne. Aspekty optymalizacyjne w uczeniu głębokich sieci neuronowych. Modelowanie sekwencji sieciami neuronowymi – sieci rekurencyjne. Sieci konwolucyjne.
Zastosowania sieci neuronowych do klasyfikacji, redukcji wymiarowości. Przykłady zastosowań w data mining, przetwarzaniu mowy, języka, obrazów.

Pozostałe informacje
Metody i techniki kształcenia:
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Wykonanie ćwiczeń i aktywność na zajęciach.
2 i 3 termin: Zaliczenie będzie obywało się poprzez wykonanie zadań zadanych przez prowadzącego.

Zasady udziału w zajęciach:
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Sposób obliczania oceny końcowej:

100% oceny końcowej stanowi wykonywanie ćwiczeń laboratoryjnych.
Do zaliczenia zajęć konieczny jest aktywny udział w ćwiczeniach.
Dla studentów którzy nie zaliczą przedmiotu w 1 terminie ustalany jest w sesji 2 termin i w sesji poprawkowej 3 termin. Zaliczenie będzie obywało się poprzez wykonanie zadań zadanych przez prowadzącego.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Zaległości student może nadrobić w oparciu o literaturę zaleconą przez wykładowcę. Powstałe zaległości student zalicza w terminie ustalonym z wykładowcą.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Student musi zaliczyć przedmiot Uczenie maszynowe.

Zalecana literatura i pomoce naukowe:

1. Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, MIT Press
1. Christopher M. Bishop: Neural Networks for Pattern Recognition, Oxford University Press, 1996
2. Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, 2007

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

— M. Igras-Cybulska, B. Ziółko, P. Żelasko and M. Witkowski, “Structure of pauses in speech in the context of speaker verification and classification of spontaneous speech type”, 2016, EURASIP Journal on Audio, Speech, and Music Processing, 2016(1):18, 2016.
— M. Igras and B. Ziółko, “Baza danych nagrań mowy emocjonalnej” Studia Informatica 2013 vol. 34 no. 2B, s. 67–77.
— M. Igras and W. Wszołek, “Pomiary parametrów akustycznych mowy emocjonalnej – krok ku modelowaniu wokalnej ekspresji emocji” Pomiary, Automatyka,

Doświadczenie praktyczne od 2010 r. w zakresie projektowania interfejsów, projektowania i wdrażania systemów opartych na przetwarzaniu sygnałów, pochodzi z pracy oraz konsultacji przy projektach komercyjnych oraz prac w projektach B+R.

Informacje dodatkowe:

Obecność na zajeciach jest obowiązkowa. Nieobecności wymagają zaliczenia ćwiczeń i/lub literatury przedmiotu w formie i zakresie ustalonym z prowadzącym .