Podstawy aproksymacji - od analizy Fouriera do deep learning 221660-D
Wykład (WYK) Semestr letni 2019/20

Informacje o zajęciach (wspólne dla wszystkich grup)

Liczba godzin:	8
Limit miejsc:	(brak limitu)
Zaliczenie:	Ocena
Zakres tematów:	Podstawy teorii miary (zbiory Borela, miara i całka Borela oraz Lebesgue?a) - Elementy teorii grup lokalnie zwartych - powtórzenie liczb zespolonych, twierdzenia Haara i Pontrjagina (o dwoistości) -Transformata Fouriera ogólna i przypadki specjalne. - Transformata Fouriera podstawowe własności (Twierdzenia Bochnera Weila i Rajkowa oraz Twierdzenie Herglotza). - Podstawy teorii aproksymacji - od MNK do sieci neuronowych - Szeregi Fouriera i funkcje okresowe - Studium przypadku z praktyki - Teoria deep-learning - Wprowadzenie do języka Julia -Techniki uczenia modeli deep-larning i elementy etyki w modelowaniu - Cwiczenia 1 - całkowanie - Ćwiczenia 2 - obliczanie transformat Fouriera - Cwiczenia 3 - rozkłady Fourierowski - Cwiczenia 4 - przykłady zastosowań deep learning - Ćwiczenia - analiza jakości modelu

Grupa	Termin(y)	Prowadzący	Akcje
100553	wielokrotnie, wtorek (niestandardowa częstotliwość), 11:40 - 13:20, sala 2B(Laptop)	Małgorzata Wrzosek	szczegóły
Wszystkie zajęcia odbywają się w budynku: budynek C

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.