460-4140/01 – Hluboké učení (HU)

Garantující katedra	Katedra informatiky	Kredity	4
Garant předmětu	prof. Ing. Jan Platoš, Ph.D.	Garant verze předmětu	prof. Ing. Jan Platoš, Ph.D.
Úroveň studia	pregraduální nebo graduální	Povinnost	povinně volitelný typu A
Ročník	1	Semestr	letní
		Jazyk výuky	čeština
Rok zavedení	2022/2023	Rok zrušení
Určeno pro fakulty	FEI, FMT	Určeno pro typy studia	navazující magisterské

Výuku zajišťuje
Os. čís.	Jméno	Cvičící	Přednášející
PLA06	prof. Ing. Jan Platoš, Ph.D.
SVO0175	Ing. Radek Svoboda

Rozsah výuky pro formy studia
Forma studia	Zp.zak.	Rozsah
prezenční	Klasifikovaný zápočet	2+2
kombinovaná	Klasifikovaný zápočet	18+0

Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi

Cílem předmětu je seznámit studenty s metodami hlubokého učení, hlubokých neuronových sítí a dalších metod pokročilého zpracování dat. Studenti budou seznámeni se základními a pokročilými metodami hlukového učení a jejich aplikací nad vektorovými, obrazovými, textovými a dalšími daty.

Vyučovací metody

Přednášky
Cvičení (v učebně)

Anotace

V předmětu se studenti obeznámí s metodami hlubokého učení se speciální akcentací hlubokých neuronových sítí. Studenti naváží na své znalosti strojového učení a prohloubí jej pomocí ukázek a přístupu hlubokého učení nad různými typy dat, od základních vektorových, obrazových, textových nebo datových proudů. Studenti budou mít šanci ověřit si své znalosti a dovednosti pomocí vhodných nástrojů a knihoven nad umělými i reálnými daty a interpretovat dosažené výsledky pro jejich plné porozumění.

Povinná literatura:

- Prezentace k přednáškám [1] CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Praha: Grada Publishing, 2019. Knihovna programátora (Grada). ISBN 978-80-247-3100-1. [2] GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Illustrated edition. Cambridge, MA: MIT press, 2016. Adaptive computation and machine learning series. ISBN 978-0262035613. [3] SAITOH, Koki. Deep Learning from the Basics: Python and Deep Learning: Theory and Implementation. Birmingham, UK: Packt Publishing, 2021. ISBN 978-1800206137. [4] GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. Second edition. Beijing: O'Reilly, 2019. ISBN 978-1-4920-3264-9. [5] HOWARD, Jeremy a Sylvain GUGGER. Deep learning for coders with Fastai and PyTorch: Ai applications without a PhD. Sebastopol, CA: O´Reilly, 2020. ISBN 978-1-492-04552-6. [6] KELLEHER, John D. Deep learning. Illustrated edition. Cambridge: The MIT Press, 2019. MIT Press essential knowledge series. ISBN 978-0262537551. [7] KROHN, Jon, Grant BEYLEVELD a Aglaé BASSENS. Deep learning illustrated: a visual, interactive guide to artificial intelligence. Boston: Addison-Wesley, [2020]. ISBN 978-0135116692.

Doporučená literatura:

[1] AGGARWAL, Charu C. Data mining: the textbook. New York, NY: Springer Science+Business Media, 2015. ISBN 978-3-319-14141-1. [2] BRAMER, M. A. Principles of data mining. London: Springer, 2007. ISBN 1-84628-765-0. [3] LESKOVEC, Jure, Anand RAJARAMAN a Jeffrey D. ULLMAN. Mining of massive datasets, Standford University. Second edition. Cambridge: Cambridge University Press, 2014. ISBN 9781107077232. [4] WITTEN, Ian H., Eibe FRANK, Mark A. HALL a Christopher J. PAL. Data mining: Practical machine learning tools and techniques. Fourth Edition. Amsterdam: Elsevier, [2017]. ISBN 978-0-12-804291-5. [5] ZAKI, Mohammed J. a Wagner MEIRA JR. Data Mining and Analysis: Fundamental Concepts and Algorithms. 2nd edition. Cambridge, GB: Cambridge University Press, 2020. ISBN 978-0521766333. [6] LAPAN, Maxim. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. 1. Birmingham, UK: Packt Publishing, 2018. ISBN 978-1788839303.

Forma způsobu ověření studijních výsledků a další požadavky na studenta

Znalosti studentů jsou ověřovány prostřednictví realizace bodovaných úkolů na cvičeních, vypracování analýzy dat a implementace některé z probíraných metod v rámci samostatné práce.

E-learning

Další požadavky na studenta

Další požadavky na studenta nejsou kladeny.

Prerekvizity

Kód předmětu	Zkratka	Název	Povinnost
460-4139	SU	Strojové učení	Doporučená

Korekvizity

Předmět nemá žádné korekvizity.

Osnova předmětu

Přednášek (témata): 1. Neuronové sítě, principy, základní vlastnosti. 2. Neuronové sítě - parametry. 3. Konvoluční neuronové sítě. 4. Autoencodér. 5. Variační autoenkodér. 6. Rekurentní neuronové sítě. 7. Analýza časových řad pomocí neuronových sítí. 8. Klasifikace textu - reprezentace slov 9. Modelování jazyka pomocí RNN 10. Zpracování vektorových dat - Explorativní analýza a klasifikace 11. Lokalizace a rozpoznání objektů v obraze 12. Generativní metody - GAN Cvičení na počítačové učebně: 1. Neuronové sítě, principy, základní vlastnosti. 2. Neuronové sítě - parametry. 3. Konvoluční neuronové sítě. 4. Autoencodér. 5. Variační autoenkodér. 6. Rekurentní neuronové sítě. 7. Analýza časových řad pomocí neuronových sítí. 8. Klasifikace textu - reprezentace slov 9. Modelování jazyka pomocí RNN 10. Zpracování vektorových dat - Explorativní analýza a klasifikace 11. Lokalizace a rozpoznání objektů v obraze 12. Generativní metody - GAN

Podmínky absolvování předmětu

Prezenční forma (platnost od: 2023/2024 zimní semestr)

Název úlohy	Typ úlohy	Max. počet bodů (akt. za podúlohy)	Min. počet bodů	Max. počet pokusů
Klasifikovaný zápočet	Klasifikovaný zápočet	100 (100)	51	3
Realizace úloh na cvičení	Jiný typ úlohy	20	10	1
Návrh modelu pomocí konvolučních sítí	Projekt	20	10	1
Návrh modelu pomocí rekurentních sítí	Projekt	20	10	1
Řešení problému z veřejných repozitárů	Projekt	40	20	1

Rozsah povinné účasti: Student je povinen splnit zadání na cvičeních a odevzdat vypracovaný projekty zadaný cvičícím.

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP: Splnění všech povinných úkolů v individuálně dohodnutých termínech. Rozsah účasti na cvičeních si student na začátku semestru dohodne s garantem předmětu.

Zobrazit historii

Výskyt ve studijních plánech

Akademický rok	Program	Obor/spec.	Zaměření	Forma	Jazyk výuky	Konz. stř.	Ročník	Typ povinnosti
2024/2025	(N0612A140004) Informační a komunikační bezpečnost			P	čeština	Ostrava	1	volitelný odborný	stu. plán
2024/2025	(N0613A140034) Informatika		AZD	P	čeština	Ostrava	1	povinně volitelný typu A	stu. plán
2024/2025	(N0613A140034) Informatika		AZD	K	čeština	Ostrava	1	povinně volitelný typu A	stu. plán
2024/2025	(N0688A140014) Průmysl 4.0		AZD	P	čeština	Ostrava	1	povinný	stu. plán
2024/2025	(N2647) Informační a komunikační technologie	(2612T025) Informatika a výpočetní technika		P	čeština	Ostrava	2	povinně volitelný	stu. plán
2024/2025	(N2647) Informační a komunikační technologie	(2612T025) Informatika a výpočetní technika		K	čeština	Ostrava	2	povinně volitelný	stu. plán
2023/2024	(N0612A140004) Informační a komunikační bezpečnost			P	čeština	Ostrava	1	volitelný odborný	stu. plán
2023/2024	(N0688A140014) Průmysl 4.0		AZD	P	čeština	Ostrava	1	povinný	stu. plán
2023/2024	(N0613A140034) Informatika		AZD	K	čeština	Ostrava	1	povinně volitelný typu A	stu. plán
2023/2024	(N0613A140034) Informatika		AZD	P	čeština	Ostrava	1	povinně volitelný typu A	stu. plán
2023/2024	(N2647) Informační a komunikační technologie	(2612T025) Informatika a výpočetní technika		P	čeština	Ostrava	2	povinně volitelný	stu. plán
2023/2024	(N2647) Informační a komunikační technologie	(2612T025) Informatika a výpočetní technika		K	čeština	Ostrava	2	povinně volitelný	stu. plán
2022/2023	(N0613A140034) Informatika		AZD	K	čeština	Ostrava	1	povinně volitelný typu A	stu. plán
2022/2023	(N0613A140034) Informatika		AZD	P	čeština	Ostrava	1	povinně volitelný typu A	stu. plán
2022/2023	(N0688A140014) Průmysl 4.0		AZD	P	čeština	Ostrava	1	povinný	stu. plán
2022/2023	(N0612A140004) Informační a komunikační bezpečnost			P	čeština	Ostrava	1	volitelný odborný	stu. plán
2022/2023	(N2647) Informační a komunikační technologie	(2612T025) Informatika a výpočetní technika		P	čeština	Ostrava	2	povinně volitelný	stu. plán
2022/2023	(N2647) Informační a komunikační technologie	(2612T025) Informatika a výpočetní technika		K	čeština	Ostrava	2	povinně volitelný	stu. plán

Výskyt ve speciálních blocích

Název bloku	Akademický rok	Forma studia	Jazyk výuky	Ročník	Z	L	Typ bloku	Vlastník bloku

Hodnocení Výuky

2022/2023 letní