Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Uczenie maszynowe i Deep Learning
Tok studiów:
2019/2020
Kod:
ZSDA-3-0009-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
Wielgosz Maciej (wielgosz@agh.edu.pl)
Dyscypliny:
informatyka techniczna i telekomunikacja
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Introductory course to Machine Learning and Deep Learning, familiarizing the students with basic concepts, quality metrics, and algorithms, as well as current scientific and industrial trends.

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 Knowledge about current scientific and industrial trends in Machine Learning and Deep Learning. SDA3A_W02, SDA3A_W07, SDA3A_W01 Zaliczenie laboratorium
M_W002 Knowledge of common frameworks and methods in Machine Learning and Deep Learning. SDA3A_W02, SDA3A_W07 Zaliczenie laboratorium
Umiejętności: potrafi
M_U001 Understanding of fundamental Machine Learning and Deep Learning concepts, including which quality measures should be applied. SDA3A_U02 Zaliczenie laboratorium
Kompetencje społeczne: jest gotów do
M_K001 Ability to quickly gauge the innovation and usefulness of the solution presented in scientific papers. SDA3A_K01 Zaliczenie laboratorium
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
30 0 0 30 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 Knowledge about current scientific and industrial trends in Machine Learning and Deep Learning. - - + - - - - - - - -
M_W002 Knowledge of common frameworks and methods in Machine Learning and Deep Learning. - - + - - - - - - - -
Umiejętności
M_U001 Understanding of fundamental Machine Learning and Deep Learning concepts, including which quality measures should be applied. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Ability to quickly gauge the innovation and usefulness of the solution presented in scientific papers. - - + - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 75 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 30 godz
Przygotowanie do zajęć 15 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 30 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Ćwiczenia laboratoryjne (30h):
-
Pozostałe informacje
Metody i techniki kształcenia:
  • Ćwiczenia laboratoryjne: Three core tutorials, and then project with consultations.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Completion of three core tutorials is mandatory.

Zasady udziału w zajęciach:
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Three core tutorials completion is mandatory.
Sposób obliczania oceny końcowej:

Completion of all core tutorials results in 3.0. The realization of the project assignment may improve the final score.

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

If core tutorials are not completed, the realization of an additional project is required in order to gain a passing grade.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Python and object-oriented programming.

Zalecana literatura i pomoce naukowe:

John D. Kelleher, “Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies”
Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning” (https://www.deeplearningbook.org/)

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Wielgosz, M.; Karwatowski, M. Mapping Neural Networks to FPGA-Based IoT Devices for Ultra-Low Latency Processing. Sensors 2019, 19, 2981, https://doi.org/10.3390/s19132981.

Wielgosz, M.; Skoczeń, A.; De Matteis, E. Protection of Superconducting Industrial Machinery Using RNN-Based Anomaly Detection for Implementation in Smart Sensor. Sensors 2018, 18, 3933, https://doi.org/10.3390/s18113933.

Maciej Wielgosz, Matej Mertik, Andrzej Skoczeń, Ernesto De Matteis, The model of an anomaly detector for HiLumi LHC magnets based on Recurrent Neural Networks and adaptive quantization, Engineering Applications of Artificial Intelligence, Volume 74, 2018, 166-185, https://doi.org/10.1016/j.engappai.2018.06.012.

Maciej Wielgosz, Marcin Pietroń, Using Spatial Pooler of Hierarchical Temporal Memory to classify noisy videos with predefined complexity, Neurocomputing, Volume 240, 2017, 84-97, https://doi.org/10.1016/j.neucom.2017.02.046.

Informacje dodatkowe:

Classes are conducted using innovative teaching methods developed during 2017-2019 in the POWR.03.04.00-00-D002/16 project, carried out by the Faculty of Computer Science, Electronics and Telecommunications under the Smart Growth Operational Programme 2014-2020.