Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Inteligentne Technologie Internetowe							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Głębokie uczenie w praktyce							Kod przedmiotu	INF2GUP
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2/3
	15				30			Punkty ECTS	3
Przedmioty wprowadzające
Cele przedmiotu	Zapoznanie studentów z wybranymi zagadnieniami głębokiego uczenia sieci neuronowych (deep learning). Praktyczna nauka uczenia głębokich sieci neuronowych z wykorzystaniem języka Python, biblioteki TensorFlow i Keras.
Treści programowe	Wykład: Biblioteka TensorFlow – wprowadzenie. Wizualizacja krzywych uczenia. Głębokie uczenie sieci neuronowych. Unikanie przeuczenia przy użyciu regulacji. Konwolucyjne sieci neuronowe. Rekurencyjne sieci neuronowe. Autoencodery. Pracownia specjalistyczna: Instalacja TensorFlow. Implementacja i uczenie sieci przeznaczonych do klasyfikacji binarnej i wieloklasowej. Walidacja modelu i unikanie nadmiernego dopasowania modelu do danych treningowych. Budowa sieci do zadań regresji. Implementacja konwolucyjnych sieci neuronowych. Implementacja rekurencyjnych sieci neuronowych. Generowanie tekstów. Aplikacje typu chatbot i seq2seq. Monitorowanie modeli z użyciem TensorBoard. Realizacja projektów.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera,
Forma zaliczenia	Wykład - zaliczenie pisemne. Pracownia specjalistyczna - zaliczenie ćwiczeń i realizacja projektu z użyciem biblioteki Keras i TensorFlow.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna podstawowe zagadnienia głębokiego uczenia sieci neuronowych								INF2_W07
EU2	umie implementować głębokie sieci neuronowe z wykorzystaniem bibliotek								INF2_U09
EU3	zna zasady oceny modelu i unikania nadmiernego dopasowania modelu								INF2_W03 INF2_W07
EU4	umie implementować sieci rekurencyjne								INF2_U04
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	zaliczenie ćwiczeń i realizacja projektu z użyciem biblioteki Keras i TensorFlow								Ps
EU3	zaliczenie pisemne								W
EU4	zaliczenie ćwiczeń i realizacja projektu z użyciem biblioteki Keras i TensorFlow								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach - 15x1h								15
	2 - Udział w pracowni specjalistycznej - 15x2h								30
	3 - Udział w konsultacjach								5
	4 - Przygotowanie do zaliczenia wykładu								10
	5 - Realizacja zadań praktycznych								15
RAZEM:									75
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									50 (1)+(3)+(2)	2.0
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									45 (5)+(2)	1.8
Literatura podstawowa	1. F. Chollet, Deep Learning. Praca z językiem Python i biblioteką Keras, Helion, 2019. 2. D. Osinga, Deep Learning: receptury, Helion, 2019. 3. V. Zocca, G. Spacagna, D. Slater, P. Roelants, Deep Learning. Uczenie głębokie z językiem Python. Helion, 2018. 4. TensorFlow Guide, witryna internetowa, https://www.tensorflow.org/guide.
Literatura uzupełniająca	1. A. Géron, Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Helion, 2018. 2. J. Patterson, A. Gibson, Deep Learning. Praktyczne wprowadzenie, Helion, 2018. 3. B. Ramsundar R. B. Zadeh, Głębokie uczenie z TensorFlow: od regresji liniowej po uczenie przez wzmacnianie, Helion, 2020. 4. A. Jain, A. Fandango, A. Kapoor, TensorFlow: 13 praktycznych projektów wykorzystujących uczenie maszynowe, Helion, 2020. 5. N. Ceder, Python: szybko i prosto, Helion, 2019.
Jednostka realizująca	Katedra Systemów Informacyjnych i Sieci Komputerowych								Data opracowania programu
Program opracował(a)	dr hab. inż. Jacek Grekow								2020.05.22