|
Vyučující
|
-
Matlach Vladimír, Mgr. Ph.D.
|
|
Obsah předmětu
|
Praktický a teoretický úvod: - Optimalizace, gradienty, cílové a loss-funkce - Vektorizace dat, normalizace a škálování Praktické aplikace s teorií: - Typy úloh, aktivační funkce, zpracování výstupů a navázání na loss-funkce - Vícevrstvé dopředné sítě, koncepce - Konvoluční sítě, koncepce - Využití předtrénovaných modelů (transfer learning) - Speciální architektury (autoenkodéry a aplikace, vícehlavé sítě) - Rekurentní sítě - Transformery, GPT Úskalí trénování a evaluace: - Evaluace modelu, detekce a interpretace stavu přeučení, podučení - Regularizace (L1, L2, dropout), normalizace dávek - Augmentace dat
|
|
Studijní aktivity a metody výuky
|
|
nespecifikováno
|
|
Výstupy z učení
|
Cílem předmětu je dále rozšířit získané znalosti strojového učení o umělé neuronové sítě a o tzv. hluboké učení (deep learning), které jsou základem umělé inteligence. Posluchači se postupně seznámí s problematikou trénování neuronových sítí od optimalizačních technik, definic cílových/ztrátových (loss) funkcí, způsobů předzpracování dat, až po úskalí a praxe trénování modelů a jejich evaluace. Představeny budou dopředné vícevrstvé sítě (včetně konvolucí) s aplikacemi na zpracování textu i obrazu. Prostor bude věnován i speciálním architekturám.
Vytvořit umělou neuronovou síť řešící zadaný problém zpracování dat, textu, obrazu, videa v jazyce Python.
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
nespecifikováno
(1) Pravidelná docházka (maximálně 1 neomluvená absence). (2) Vypracování závěrečného projektu: natrénování tří neuronových sítí na typických problémech, jejich kompletní evaluace a sepsání reportu.
|
|
Doporučená literatura
|
|