Nie jesteś zalogowany | 
Rozpoznawanie obrazów: sieci neuronowe (wspólnie z 1000-318bVR)
Informacje ogólne
| Kod przedmiotu: | 1000-2M18RO | Kod Erasmus / ISCED: |
11.3
 /
(0612) Database and network design and administration
|
| Nazwa przedmiotu: | Rozpoznawanie obrazów: sieci neuronowe (wspólnie z 1000-318bVR) | ||
| Jednostka: | Wydział Matematyki, Informatyki i Mechaniki | ||
| Grupy: |
Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka Przedmioty monograficzne dla III - V roku informatyki Przedmioty obieralne dla informatyki |
||
| Punkty ECTS i inne: |
6.00  zobacz reguły punktacji |
||
| Język prowadzenia: | angielski | ||
| Rodzaj przedmiotu: | monograficzne |
||
| Wymagania (lista przedmiotów): | Głębokie sieci neuronowe (wspólne z 1000-317bDNN) 1000-2M16GSN |
||
| Skrócony opis: |
Niemal każdego dnia słyszymy doniesienia o nowych osiągnięciach w dziedzinie rozpoznawania obrazów. Automatyczna klasyfikacja zdjęć, rozpoznawanie obiektów na obrazie, wykrywanie zdarzeń w wideo, analiza sytuacji na drodze przez autonomiczne samochody czy śledzenie obiektów przez drony to tylko nieliczne przykłady możliwości dzisiejszych algorytmów rozpoznawania obrazów. Ostatni postęp w sieciach neuronowych, w tzw. głębokim uczeniu, znacznie poprawił skuteczność znanych metod rozpoznawania obrazów. Kurs ten ma na celu przedstawienie architektur głębokiego uczenia oraz nauczenie implementowania, trenowania oraz debugowania własnych sieci neuronowych do rozpoznawania obrazów. Studenci zdobędą wiedzę teoretyczną, informacje o najnowszych badaniach, oraz zdobędą praktyczne umiejętności. |
||
| Pełny opis: |
1. Wprowadzenie do rozpoznawania obrazów. 2. Klasyfikacja obrazów, funkcje loss, optymalizacja. 3. Wprowadzenie do sieci neuronowych. 4. Konwolucyjne sieci neuronowe. 5. Trenowanie sieci neuronowych. Sprzęt oraz oprogramowanie. 6. Konwolucyjne sieci neuronowe: architektury. 7. Rekurencyjne sieci neuronowe. 8. Detekcja obiektów, analiza semantyczna, analiza wideo. 9. Modele generatywne. 10. Wizualizacja oraz zrozumienie. 11. Reinforcement Learning. |
||
| Literatura: |
* R. Szeliski, Computer Vision: Algorithms and Applications, Springer Science & Business Media, 2010. * Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016. |
||
| Metody i kryteria oceniania: |
Laboratoria: projekty. Wykłady: egzamin pisemny. |
||
Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)
| Okres: | 2022-02-21 - 2022-06-15 |
 
 zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin więcej informacji Wykład, 30 godzin więcej informacji |
|
| Koordynatorzy: | Piotr Biliński | |
| Prowadzący grup: | Piotr Biliński, Marcin Możejko, Paweł Subko | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Egzamin |
Zajęcia w cyklu "Semestr letni 2022/23" (jeszcze nie rozpoczęty)
| Okres: | 2023-02-20 - 2023-06-18 |
zobacz plan zajęć |
| Typ zajęć: |
Laboratorium, 30 godzin więcej informacji Wykład, 30 godzin więcej informacji |
|
| Koordynatorzy: | Piotr Biliński | |
| Prowadzący grup: | Piotr Biliński, Spyridon Mouselinos, Paweł Subko | |
| Lista studentów: | (nie masz dostępu) | |
| Zaliczenie: | Egzamin |
Właścicielem praw autorskich jest Uniwersytet Warszawski.