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
cadru asociat
Analist date
Tapptitude
E-mail: rares.rosca@ubbcluj.ro
Curs
- Recapitulare Python, MatPlotLib, NumPy
- Introducere în Pytorch
- Operatii cu tensori și broadcasting
- Procesare și analiza exploratorie de date
- Definirea unei rețele neuronale in Pytorch
- Retele convolutionale pentru clasificare de imagini
- Retele fully connected pentru regresie liniara
- Salvarea si încărcarea unei rețele neuronale
- Transfer Learning
- Rețele Recurente
- Introducere in Modele Generative
- Introducere in Reinforcement Learning
- 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.