Uczenie maszynowe II
Informacje ogólne
Kod przedmiotu: | 1100-UM2 |
Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | Uczenie maszynowe II |
Jednostka: | Wydział Fizyki |
Grupy: |
Fizyka, I st. studia indywidualne; przedmioty do wyboru Fizyka, II stopień; przedmioty do wyboru |
Punkty ECTS i inne: |
4.00
|
Język prowadzenia: | polski |
Kierunek podstawowy MISMaP: | fizyka |
Założenia (opisowo): | Zakłada się, że osoba uczestnicząca w kursie ma następujące cechy:
|
Tryb prowadzenia: | w sali |
Przedmiot dedykowany programowi: | KURSY |
Skrócony opis: |
Zajęcia rozwijające operacyjną sprawność w tworzeniu i używaniu modelu i maszynowego. Przedmiot jest przeznaczony dla wszystkich zainteresowanych praktyczną stroną uczenia maszynowego, niezależnie od roku i kierunku studiów. Zajęcia mają postać warsztatów - części wykładowe i ćwiczeniowe połączone w jeden blok. Większy nacisk jest położony na pisanie efektywnego, ładnego, kodu rozwiązującego zagadnienia pojawiające się w trakcie pracy nad modelami uczenia maszynowego. Kurs jest prowadzony z użyciem pakietu TensorFlow oraz środowiska Google Colaboratory lub własnych komputerów. Materiały kursu są w postaci notatników Jupyter. |
Pełny opis: |
Program zajęć: 1. Użyteczne biblioteki Python: numpy, matplotlib, pandas, 2. Konfiguracja środowiska do pracy: kontenery, serwer Jupyter, Visual Studio Code, zdalny dostęp do maszyny obliczeniowej 3. Przypomnienie podstawowych pojęć z dziedziny uczenia maszynowego 4. Trening i zastosowanie sieci w pełni połączonych 5. Trening i zastosowanie sieci ze splotem (konwolucyjnych) 6. Sieci samokodujące: AE, VAE i CVAE 7. Sieci generatywne 8. Analiza sekwencji: sieci rekurencyjne 9. Analiza sekwencji: architektura transformatora Przewidywany nakład pracy: 120 h
|
Literatura: |
1. Dive into Deep learning: link 2. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow:link 3. Deep Learning: link 4. An Introduction to Statistical Learning:link 5. The Elements of Statistical Learning:link |
Efekty uczenia się: |
Osoba uczestnicząca: zna i rozumie: 1. zaawansowane koncepcje związane z uczeniem maszynowym i sztucznymi sieciami neuronowymi 2. techniki informatyczne niezbędne przy rozwiązywaniu problemów fizycznych i analizy danych potrafi stosować: 1. biblioteki numeryczne, bazy danych i zaawansowane oprogramowanie używane w analizie danych fizycznych i innego typu szczerze docenia: 1. systematyczną pracę 2. terminowe wykonywanie zadań 3. tworzenie starannego i czytelnego kodu 4. konieczność samodzielnego zapoznawania się z literaturą dotyczącą zagadnień nad którymi pracuje |
Metody i kryteria oceniania: |
Ocena końcowa zostanie wystawiona na podstawie Projektu rozwiązującego zagadnienie zaproponowane przez osobę uczestniczącą. Wymagania do oceny: 1. obowiązkowe prace domowe. Niewykonanie wszystkich prac domowych skutkuje obniżeniem oceny końcowej o 0.5 punktu 2. obowiązkowa obecność na zajęciach - dopuszczalne są dwie nieobecności. Nieusprawiedliwione przekroczenie limitu nieobecności skutkuje obniżeniem oceny końcowej o 2.0 punkty 3. wykonanie Projektu z godnie z harmonogramem:
|
Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)
Okres: | 2024-02-19 - 2024-06-16 |
Przejdź do planu
PN WT ŚR WAR
CZ PT |
Typ zajęć: |
Warsztaty, 45 godzin
|
|
Koordynatorzy: | Artur Kalinowski | |
Prowadzący grup: | Artur Kalinowski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Warszawski.