Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Matematyka Stosowana							Poziom i forma studiów	drugiego stopnia stacjonarne
Specjalność / Ścieżka dyplomowania	Analityka Danych i Modelowanie Matematyczne							Profil kształcenia	praktyczny
Nazwa przedmiotu	Uczenie głębokie							Kod przedmiotu	MAT2UCZG
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	2/3
	30				30			Punkty ECTS	3
Przedmioty wprowadzające	Sieci neuronowe (MAT2SNE),
Cele przedmiotu	Celem przedmiotu jest zapoznanie studentów z tematyką głębokich sieci neuronowych. Przedstawione zostaną wykorzystywane obecnie techniki, algorytmy oraz narzędzia. Poruszane zagadnienia będą użyte między innymi do problemów klasyfikacji, regresji oraz analizy przeżycia.
Treści programowe	Wykład: 1. Wstęp do uczenia maszynowego. 2. Konwolucyjne sieci neuronowe. 3. Wprowadzenie do dostępnych bibliotek. Pracownia specjalistyczna: 1. Zapoznanie z dostępnymi bibliotekami oferującymi algorytmy uczenia głębokiego. 2. Realizacja praktycznych zadań w oparciu o głębokie sieci neuronowe.
Metody dydaktyczne	wykład problemowy, programowanie z użyciem komputera, metoda projektów,
Forma zaliczenia	Wykład: zaliczenie pisemne. Pracownia specjalistyczna: sprawozdania, projekt.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	zna podstawowe architektury sieci konwolucyjnych								K_W06
EU2	rozumie działanie algorytmów uczenia głębokiego								K_W06
EU3	potrafi zaimplementować algorytmy klasyfikacji oraz regresji za pomocą konwolucyjnych sieci neuronowych								K_U09 K_U15
EU4	potrafi dobrać odpowiednią architekturę sieci do analizowanego problemu i poprawnie go rozwiązać								K_U08 K_U12
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	zaliczenie pisemne								W
EU3	sprawozdania								Ps
EU4	projekt								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								30
	2 - Udział w pracowniach specjalistycznych								30
	3 - Udział w konsultacjach								2
	4 - Przygotowanie do zajęć pracowni specjalistycznej								10
	5 - Przygotowanie do zaliczenia wykładu								3
RAZEM:									75
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									62 (1)+(2)+(3)	2.5
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									40 (4)+(2)	1.6
Literatura podstawowa	1. M.A. Nielsen, Neural networks and deep learning, Determination Press, 2015, http://neuralnetworksanddeeplearning.com/. 2. I. Goodfellow, Y. Bengio, A.Courville, Deep Learning. Systemy uczące się. Wydawnictwo Naukowe PWN, Warszawa 2018. 3. I. Goodfellow, Y. Bengio, A.Courville, Deep Learning, MIT Press, 2016, http://www.deeplearningbook.org/. 4. J. Patterson, A. Gibson, Deep learning: praktyczne wprowadzenie, Helion, 2018.
Literatura uzupełniająca	1. F. Chollet, Deep learning: praca z językiem Python i biblioteką Keras, Helion, 2019.
Jednostka realizująca	Katedra Informatyki Teoretycznej								Data opracowania programu
Program opracował(a)	dr hab. inż. Małgorzata Krętowska								2020.04.06