Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Deep Learning (w języku polskim)

Informacje ogólne

Kod przedmiotu: 23A1P0-S
Kod Erasmus / ISCED: 11.9 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0619) Komputeryzacja (inne) Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Deep Learning (w języku polskim)
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy:
Punkty ECTS i inne: 3.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
zobacz reguły punktacji
Język prowadzenia: polski
Efekty uczenia się:

Wiedza:

Student rozumie teoretyczne założenia uczenia głębokiego.

Student zna podstawowe podstawowe algorytmy modeli uczenia głębokiego.

Student zna podstawowe techniki i narzędzia programistyczne potrzebne do budowy modeli uczenia głębokiego.

Student zna różne złożone architektury sieci neuronowych, rozumie różnice między nimi i zna ich zastosowania.

Umiejętności:

Student potrafi zbudować, zweryfikować i ocenić model uczenia głębokiego.

Student potrafi zebrać, przetworzyć i wykorzystać dane potrzebne do budowy modeli uczenia głębokiego.

Student potrafi samodzielnie zbudować odpowiednie środowisko i workflow do uczenia i analizy modeli uczenia głębokiego

Student potrafi zwizualizować i przedstawić wyniki swojej pracy.

Kompetencje społeczne:

Komunikowanie wyników modeli uczenia głębokiego specjalistom i decydentom.

Zdolność do dalszego samodzielnego poszerzania wiedzy w tematyce uczenia głębokiego.

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres: 2025-02-15 - 2025-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Bartosz Pankratz
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Podczas zajęć studenci poznają wybrane metody i praktyczne zastosowania algorytmów deep learningowych. W pierwszej części kursu studenci poznają podstawowe teoretyczne zagadnienia związane z deep learningiem. Nastepnie omówione zostaną różne powszechnie wykorzystywane architektury sieci neuronowych, między innym: sieci konwolucyjne, modele generatywne (wariacyjne autoencodery, modele generative adversarial networks i modele stabilnej dyfuzji), rekurencyjne i rekursywne sieci neuronowe oraz przedstawione zostaną podstawy modelowania języka naturalnego. W ramach każdego tematu pokazane będą eksperymenty przygotowane za pomocą języka programowania Julia. Wykład zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne.
Pełny opis:

Celem przedmiotu jest przedstawienie podstawowych założeń teoretycznych i narzędzi uczenia głębokiego. W trakcie studenci zostaną nauczeni samodzielnelnego projektowania i implementacji modeli uczenia głębokiego, a także omówione zostaną sytuacje w których takie modelowanie jest właściwą techniką analityczną. Przedmiot zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne, zajęcia prowadzone są w języku programowania Julia.
Literatura:

Literatura podstawowa:

Goodfellow I., Bengio Y., Courville A. (2016), Deep Learning (http://www.deeplearningbook.org/)

Roberts D. A., Yaida S., Hanin B. (2022), The Principles of Deep Learning Theory: An Effective Theory Approach to Understanding Neural Networks, Cambridge University Press (https://deeplearningtheory.com/)

Calin O. (2020), Deep Learning Architectures: A Mathematical Approach, Springer.

Literatura uzupełniająca:

Weidman S. (2019), Deep Learning from Scratch, first edition. O'Reilly Media, Inc.

Howard J., Gugger S. (2020), Deep Learning for Coders with Fastai and PyTorch: AI Applications Without a Ph,D first Edition (https://course.fast.ai/Resources/book.html)

Boyd S., Vandenberghe L. (2018), Introduction to Applied Linear Algebra ? Vectors, Matrices, and Least Squares (http://vmls-book.stanford.edu/)

Publikacje własne:

Bogumił Kamiński, Tomasz Olczak, Bartosz Pankratz, Paweł Prałat , dr Francois Theberge, Properties and Performance of the ABCDe Random Graph Model with Community Structure, W: Big Data Research,2022
Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

referaty/eseje: 0.00%

inne: 0.00%

projekty: 50.00%

studia przypadków: 0.00%

prezentacje indywidualne lub grupowe: 0.00%

Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Podczas zajęć studenci poznają wybrane metody i praktyczne zastosowania algorytmów deep learningowych. W pierwszej części kursu studenci poznają podstawowe teoretyczne zagadnienia związane z deep learningiem. Nastepnie omówione zostaną różne powszechnie wykorzystywane architektury sieci neuronowych, między innym: sieci konwolucyjne, modele generatywne (wariacyjne autoencodery, modele generative adversarial networks i modele stabilnej dyfuzji), rekurencyjne i rekursywne sieci neuronowe oraz przedstawione zostaną podstawy modelowania języka naturalnego. W ramach każdego tematu pokazane będą eksperymenty przygotowane za pomocą języka programowania Julia. Wykład zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne.
Pełny opis:

Celem przedmiotu jest przedstawienie podstawowych założeń teoretycznych i narzędzi uczenia głębokiego. W trakcie studenci zostaną nauczeni samodzielnelnego projektowania i implementacji modeli uczenia głębokiego, a także omówione zostaną sytuacje w których takie modelowanie jest właściwą techniką analityczną. Przedmiot zakłada wcześniejsze ukończenie przedmiotu Statystyczne Reguły Decyzyjne, zajęcia prowadzone są w języku programowania Julia.
Literatura:

Literatura podstawowa:

Goodfellow I., Bengio Y., Courville A. (2016), Deep Learning (http://www.deeplearningbook.org/)

Roberts D. A., Yaida S., Hanin B. (2022), The Principles of Deep Learning Theory: An Effective Theory Approach to Understanding Neural Networks, Cambridge University Press (https://deeplearningtheory.com/)

Calin O. (2020), Deep Learning Architectures: A Mathematical Approach, Springer.

Literatura uzupełniająca:

Weidman S. (2019), Deep Learning from Scratch, first edition. O'Reilly Media, Inc.

Howard J., Gugger S. (2020), Deep Learning for Coders with Fastai and PyTorch: AI Applications Without a Ph,D first Edition (https://course.fast.ai/Resources/book.html)

Boyd S., Vandenberghe L. (2018), Introduction to Applied Linear Algebra ? Vectors, Matrices, and Least Squares (http://vmls-book.stanford.edu/)

Publikacje własne:

Bogumił Kamiński, Tomasz Olczak, Bartosz Pankratz, Paweł Prałat , dr Francois Theberge, Properties and Performance of the ABCDe Random Graph Model with Community Structure, W: Big Data Research,2022
Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

egzamin testowy: 0.00%

egzamin ustny: 0.00%

referaty/eseje: 0.00%

inne: 0.00%

projekty: 50.00%

studia przypadków: 0.00%

prezentacje indywidualne lub grupowe: 0.00%
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa tel: +48 22 564 60 00 http://www.sgh.waw.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0