Rozpoznawanie obrazów: sieci neuronowe (wspólnie z 1000-318bVR)

Informacje ogólne

Kod przedmiotu:	1000-2M18RO
Kod Erasmus / ISCED:	11.3 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. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
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 obieralne dla informatyki i ML Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne:	(brak) 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
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.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.