Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2 značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS
| NIE-PDL | Practical Deep Learning | Rozsah kontaktní výuky: | 2P+1C | ||
|---|---|---|---|---|---|
| Vyučující: | Babakhin Y., Barus M. | Způsob zakončení: | KZ | ||
| Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | Z |
Anotace:
This course is designed to provide students with a comprehensive understanding of Deep Learning using PyTorch, a popular open-source machine learning framework. Throughout the course, students will develop practical skills in building and training deep neural networks, using PyTorch to solve real-world problems in fields such as computer vision and natural language processing.
Osnovy přednášek:
| 1. | Introduction to PyTorch | |
| 2. | Datasets and Dataloaders for Natural Language Processing (NLP) | |
| 3. | NLP Architectures | |
| 4. | PyTorch training loop | |
| 5. | Train an NLP classification model | |
| 6. | Evaluate NLP Kaggle competition | |
| 7. | Datasets and Dataloaders for Computer Vision (CV) | |
| 8. | CV Architectures | |
| 9. | Train a CV classification model | |
| 10. | Practical tips for tuning Deep Learning models | |
| 11. | Multi-GPU training in PyTorch | |
| 12. | Other applications in NLP and CV | |
| 13. | Evaluate CV Kaggle competition |
Osnovy cvičení:
| 1. | Introduction to PyTorch, Datasets and Dataloaders for NLP | |
| 2. | PyTorch training loop | |
| 3. | Train an NLP classification model | |
| 4. | Datasets and Dataloaders for Computer Vision (CV), CV Architecture | |
| 5. | Train a CV classification model | |
| 6. | Multi-GPU training in PyTorch |
Literatura:
| 1. | Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. | |
| 2. | Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep Learning with PyTorch. Manning Publications. | |
| 3. | Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. In Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017). | |
| 4. | Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In Advances in Neural Information Processing Systems 25 (NIPS 2012). |
Požadavky:
Basic knowledge of Python programming language, basic understanding of machine learning and deep learning concepts.
|
|
Předmět je zahrnut do těchto studijních plánů:
| Stránka vytvořena 28. 4. 2024, semestry: Z/2021-2, Z/2022-3, Z/2019-20, L/2022-3, Z/2023-4, L/2019-20, L/2021-2, Z/2020-1, L/2023-4, Z/2024-5, L/2020-1, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: J. Novák, I. Halaška |