Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Deep Learning

Informacje ogólne

Kod przedmiotu: 23A1P1-D
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
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: angielski
Efekty uczenia się:

Wiedza:

Students will learn the theoretical foundations of deep learning.

Students will learn the basic tools for building deep learning models

Students will be introduced to different frameworks and other programming tools necessary to build a proper deep learning model.

Students will be introduced to different, state-of-the-art architectures of deep neural networks.

Umiejętności:

Students will be able to build, verify, and evaluate deep neural networks.

Students will be able to collect and prepare data for deep learning approaches.

Students will be able to visualize and present the results of their work.

Students will be able to build a proper environment and workflow for deep learning models.

Kompetencje społeczne:

Ability of presenting and communicating acquired results to high-level managerial stuff

Acquire the ability of continued learning of methods related to deep learning.

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

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

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, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

During this course, students will learn selected deep learning methods and their applications. The course will start with an introduction to the theoretical foundations of deep learning. In the latter part of the lecture, students will learn different neural network architectures, including convolutional neural networks, generative models (variational autoencoders, generative adversarial networks and stable diffusion models), reccurent and recursive neural networks and language models. Each topic will be complemented with practical experiments in Julia programming languages. The course requires finishing the Statistical Learning Methods as a prerequisite.

Pełny opis:

The goal of the course is to provide the basic knowledge of deep learning methods. Students will learn both, theoretical foundations and practical applications of Deep Learning methods. The course requires finishing the Statistical Learning Methods as a prerequisite. The course is prepared in Julia programming language.
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%

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, 15 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Bartosz Pankratz
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

During this course, students will learn selected deep learning methods and their applications. The course will start with an introduction to the theoretical foundations of deep learning. In the latter part of the lecture, students will learn different neural network architectures, including convolutional neural networks, generative models (variational autoencoders, generative adversarial networks and stable diffusion models), reccurent and recursive neural networks and language models. Each topic will be complemented with practical experiments in Julia programming languages. The course requires finishing the Statistical Learning Methods as a prerequisite.

Pełny opis:

The goal of the course is to provide the basic knowledge of deep learning methods. Students will learn both, theoretical foundations and practical applications of Deep Learning methods. The course requires finishing the Statistical Learning Methods as a prerequisite. The course is prepared in Julia programming language.
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%

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