Přeskočit na hlavní obsah
Přeskočit hlavičku
Zavřít

Vyhledávání

Hluboké učení

Typ studia navazující magisterské
Jazyk výuky čeština
Kód 460-4140/01
Zkratka HU
Název předmětu česky Hluboké učení
Název předmětu anglicky Deep Learning
Kreditů 4
Garantující katedra Katedra informatiky
Garant předmětu prof. Ing. Jan Platoš, Ph.D.

Subject syllabus

Přednášek (témata):
1. Neuronové sítě, principy, základní vlastnosti.
2. Neuronové sítě - parametry.
3. Konvoluční neuronové sítě.
4. Autoencodér.
5. Variační autoenkodér.
6. Rekurentní neuronové sítě.
7. Analýza časových řad pomocí neuronových sítí.
8. Klasifikace textu - reprezentace slov
9. Modelování jazyka pomocí RNN
10. Zpracování vektorových dat - Explorativní analýza a klasifikace
11. Lokalizace a rozpoznání objektů v obraze
12. Generativní metody - GAN

Cvičení na počítačové učebně:
1. Neuronové sítě, principy, základní vlastnosti.
2. Neuronové sítě - parametry.
3. Konvoluční neuronové sítě.
4. Autoencodér.
5. Variační autoenkodér.
6. Rekurentní neuronové sítě.
7. Analýza časových řad pomocí neuronových sítí.
8. Klasifikace textu - reprezentace slov
9. Modelování jazyka pomocí RNN
10. Zpracování vektorových dat - Explorativní analýza a klasifikace
11. Lokalizace a rozpoznání objektů v obraze
12. Generativní metody - GAN

E-learning

Vybrané studijní materiály jsou zveřejněny na portále e-výuka (https://www.vsb.cz/e-
vyuka/cs).

Literature

- Prezentace k přednáškám
[1] CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Praha: Grada Publishing, 2019. Knihovna programátora (Grada). ISBN 978-80-247-3100-1 .
[2] GOODFELLOW, Ian, Yoshua BENGIO a Aaron COURVILLE. Deep learning. Illustrated edition. Cambridge, MA: MIT press, 2016. Adaptive computation and machine learning series. ISBN 978-0262035613 .
[3] SAITOH, Koki. Deep Learning from the Basics: Python and Deep Learning: Theory and Implementation. Birmingham, UK: Packt Publishing, 2021. ISBN 978-1800206137 .
[4] GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. Second edition. Beijing: O'Reilly, 2019. ISBN 978-1-4920-3264-9.
[5] HOWARD, Jeremy a Sylvain GUGGER. Deep learning for coders with Fastai and PyTorch: Ai applications without a PhD. Sebastopol, CA: O´Reilly, 2020. ISBN 978-1-492-04552-6.
[6] KELLEHER, John D. Deep learning. Illustrated edition. Cambridge: The MIT Press, 2019. MIT Press essential knowledge series. ISBN 978-0262537551 .
[7] KROHN, Jon, Grant BEYLEVELD a Aglaé BASSENS. Deep learning illustrated: a visual, interactive guide to artificial intelligence. Boston: Addison-Wesley, [2020]. ISBN 978-0135116692 .

Doporučená literatura

[1] AGGARWAL, Charu C. Data mining: the textbook. New York, NY: Springer Science+Business Media, 2015. ISBN 978-3-319-14141-1 .
[2] BRAMER, M. A. Principles of data mining. London: Springer, 2007. ISBN 1-84628-765-0 .
[3] LESKOVEC, Jure, Anand RAJARAMAN a Jeffrey D. ULLMAN. Mining of massive datasets, Standford University. Second edition. Cambridge: Cambridge University Press, 2014. ISBN 9781107077232 .
[4] WITTEN, Ian H., Eibe FRANK, Mark A. HALL a Christopher J. PAL. Data mining: Practical machine learning tools and techniques. Fourth Edition. Amsterdam: Elsevier, [2017]. ISBN 978-0-12-804291-5 .
[5] ZAKI, Mohammed J. a Wagner MEIRA JR. Data Mining and Analysis: Fundamental Concepts and Algorithms. 2nd edition. Cambridge, GB: Cambridge University Press, 2020. ISBN 978-0521766333 .
[6] LAPAN, Maxim. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. 1. Birmingham, UK: Packt Publishing, 2018. ISBN 978-1788839303 .


back to search page