Głębokie uczenie maszynowe 510-IS2-1GUM-23
Profil studiów: ogólnoakademicki
Forma studiów: stacjonarne
Rodzaj przedmiotu: obowiązkowy
Dziedzina: nauki ścisłe i przyrodnicze, dyscyplina: informatyka
Rok studiów / semestr: 3 / 5
Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów): Przedmioty wprowadzające: Podstawy logiki i teorii mnogości, Algorytmy i struktury danych, Matematyka dyskretna,
Wykład: 15 Laboratorium: 30
Metody dydaktyczne: wiedza przekazywana na wykładzie, na laboratorium samodzielne rozwiązywanie problemów dotyczących treści nauczania
Punkty ECTS: 4
Bilans nakładu pracy studenta:
Udział w zajęciach:
- wykład 15 h
- laboratorium 30h
Przygotowanie do zajęć:
- wykład 5h
- laboratorium 10h
Zapoznanie z literaturą: 10h
Przygotowanie do egzaminu: 15h
Czas trwania egzaminu: 2h
Udział w konsultacjach: 13h
Wskaźniki ilościowe:
liczba godzin wymagających bezpośredniego udziału nauczyciela: 60h, 2,4 ECTS
liczba godzin nie wymagających bezpośredniego udziału nauczyciela: 40h, 1,6 ECTS
Rodzaj przedmiotu
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Zna algorytmy głębokiego uczenia maszynowego, w szczególności głębokich sieci neuronowych - KP7_WG9 (++), KP7_WG11 (+++) , KP7_WK1 (+++)
Potrafi zaimplementować i wykorzystać wybrane algorytmy głębokiego uczenia maszynowego - KP7_UW11 (+++), KP7_UW16 (+++)
Potrafi zastosować istniejące już implementacje głębokiego uczenia maszynowego do swoich celów - KP7_UW12 (+++), KP7_UW16 (+++)
Kryteria oceniania
Ogólna forma zaliczenia: egzamin
Zaliczenie pisemne w formie testu lub pytań (zadań otwartych).
Zaliczenie laboratorium: zaliczenie na podstawie wykonanych projektów.
Uzyskanie co najmniej 51% maksymalnej liczby wszystkich punktów.
W przypadku nauczania zdalnego zaliczenie odbędzie się przy wykorzystaniu narzędzi dostępnych na platformie Eduportal/USOSMail.
Literatura
Bengio Yoshua, Courville Aaron, Goodfellow Ian, Deep Learning. Systemy uczące się, PWN, 2018
Patterson Josh, Gibson Adam, Deep Learning. Praktyczne wprowadzenie, Helion, 2018
Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants, Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe, Helion, 2018
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: