460-4140/02 – 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 výukyangličtina
Rok zavedení2022/2023Rok zrušení
Určeno pro fakultyFEIUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
PLA06 prof. Ing. Jan Platoš, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Klasifikovaný zápočet 2+2
kombinovaná Klasifikovaný zápočet 14+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 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: 2022/2023 zimní semestr, platnost do: 2022/2023 letní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodůMax. počet pokusů
Klasifikovaný zápočet Klasifikovaný zápočet 100  51 3
Rozsah povinné účasti: Student je povinen splnit zadání na cvičeních a odevzdat vypracovaný projekt 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
2024/2025 (N0612A140005) Informační a komunikační bezpečnost P angličtina Ostrava 1 volitelný odborný stu. plán
2024/2025 (N0613A140035) Informatika AZD P angličtina Ostrava 1 povinně volitelný typu A stu. plán
2024/2025 (N0688A140015) Průmysl 4.0 AZD P angličtina Ostrava 1 povinný stu. plán
2023/2024 (N0612A140005) Informační a komunikační bezpečnost P angličtina Ostrava 1 volitelný odborný stu. plán
2023/2024 (N0688A140015) Průmysl 4.0 AZD P angličtina Ostrava 1 povinný stu. plán
2023/2024 (N0613A140035) Informatika AZD P angličtina Ostrava 1 povinně volitelný typu A stu. plán
2023/2024 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika P angličtina Ostrava 2 povinně volitelný stu. plán
2022/2023 (N0613A140035) Informatika AZD P angličtina Ostrava 1 povinně volitelný typu A stu. plán
2022/2023 (N0688A140015) Průmysl 4.0 AZD P angličtina Ostrava 1 povinný stu. plán
2022/2023 (N0612A140005) Informační a komunikační bezpečnost P angličtina Ostrava 1 volitelný odborný stu. plán
2022/2023 (N2647) Informační a komunikační technologie (2612T025) Informatika a výpočetní technika P angličtina Ostrava 2 povinně volitelný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky

Předmět neobsahuje žádné hodnocení.