460-4140/01 – Hluboké učení (HU)

Garantující katedraKatedra informatikyKredity4
Garant předmětuprof. Ing. Jan Platoš, Ph.D.Garant verze předmětuprof. Ing. Jan Platoš, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostvolitelný odborný
Ročník1Semestrletní
Jazyk výukyčeština
Rok zavedení2022/2023Rok zrušení
Určeno pro fakultyFEIUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
PLA06 prof. Ing. Jan Platoš, Ph.D.
SVO0175 Ing. Radek Svoboda
Rozsah výuky pro formy studia
Forma studiaZp.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)
Výuka odborníka z praxe (přednáška nebo cvičení)

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.

Další studijní materiály

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 předmětuZkratkaNázevPovinnost
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 úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)		Min. počet bodůMax. 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 rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2025/2026 (N0688A140014) Průmysl 4.0 AZD P čeština Ostrava 1 povinný stu. plán
2025/2026 (N0612A140004) Informační a komunikační bezpečnost P čeština Ostrava 1 volitelný odborný stu. plán
2025/2026 (N0613A140034) Informatika AZD P čeština Ostrava 1 povinně volitelný typu A stu. plán
2025/2026 (N0613A140034) Informatika AZD K čeština Ostrava 1 povinně volitelný typu A stu. plán
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
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 blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky



2023/2024 letní
2022/2023 letní