Machine Learning: Rețele neuronale cu învățare supervizată

InfoTitularTematicaBibliografieEvaluareObiective

Număr de credite: 6
Cod: AME0158
Predare: curs 3h
Limba de predare: română
Tip: curs principal, semestrul 4, Masteratul Analiza Datelor Complexe
Erasmus:

Rares Roșca
cadru asociat
Analist date
Tapptitude
E-mail: rares.rosca@ubbcluj.ro

Curs

  1. Recapitulare Python, MatPlotLib, NumPy
  2. Introducere în Pytorch
  3. Operatii cu tensori și broadcasting
  4. Procesare și analiza exploratorie de date
  5.  Definirea unei rețele neuronale in Pytorch
  6. Retele convolutionale pentru clasificare de imagini
  7. Retele fully connected pentru regresie liniara
  8. Salvarea si încărcarea unei rețele neuronale
  9. Transfer Learning
  10. Rețele Recurente
  11. Introducere in Modele Generative
  12. Introducere in Reinforcement Learning
  13. Introducere in Autoencoders
  • Nikhil Buduma, 2017. Fundamentals of Deep Learning Designing Next-Generation Machine Intelligence Algorithms, Beijin and Boston: O’Reilly Media.
  • Aurélien Géron, Hands-on Machine Learning with Scikit-Learn, Keras, and
    TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Beijin and Boston: O’Reilly Media.

CURS:

Metode de evaluare

  • 50% examen scris

Criterii de evaluare:

  • Însușirea corectă a noțiunilor și a conceptelor centrale legate de rețelele neuronale; capacitatea utilizării cunoștințelor dobândite

 

LABORATOR:

Metode de evaluare:

  • 50% prezentări de seminar

Criterii de evaluare:

  •  Cunoaşterea funcțiilor din librăria Pytorch și Tensorflow pentru a putea specifica predictive cu ajutorul rețelelor neuronale
  • 3 teme pentru acasă de realizat cu ajutorul librăriilor Pytorch și Tensorflow

Obiective generale

  • Cunoaşterea şi utilizarea adecvată a noţiunilor fundamentale specifice rețelelor neuronale
  • Utilizarea librăriilor Pytorch si Tensorflow

Obiective specifice

  • Stăpânirea conceptelor majore de tensor și broadcasting;
  • Clasificarea rețelelor neuronale pentru învățare supervizată;
  • Capacitatea de utiliza regresia lineară cu ajutorul rețelelor neuronale;
  • Utilizarea rețelelor recurente;
  • Înțelegerea modelelor generative.