„Deep Learning a gyakorlatban Python és LUA alapon” változatai közötti eltérés
| 18. sor: | 18. sor: | ||
Az adatmennyiség robbanásszerű növekedésével, a grafikus processzorok jelentős technológiai fejlődésével és a tudományterület új eredményeinek köszönhetően az elmúlt években a mély tanuló rendszerek, azon belül is a mély neurális hálózatok (Deep Neural Networks, DNN) valós életbeli folyamatok megfigyelések alapján történő modellezésének az egyik leghatékonyabb eszközévé váltak. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. | Az adatmennyiség robbanásszerű növekedésével, a grafikus processzorok jelentős technológiai fejlődésével és a tudományterület új eredményeinek köszönhetően az elmúlt években a mély tanuló rendszerek, azon belül is a mély neurális hálózatok (Deep Neural Networks, DNN) valós életbeli folyamatok megfigyelések alapján történő modellezésének az egyik leghatékonyabb eszközévé váltak. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. | ||
== Követelmények == | == Követelmények == | ||
Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is! | |||
Nagy házi feladat elkészítése és bemutatása. | Nagy házi feladat elkészítése és bemutatása. | ||
Vizsga(írásbeli és szóbeli). | Vizsga(írásbeli és szóbeli). | ||
== Házi == | == Házi == | ||
4-5 fős csapatokban választott témából kell házi feladatot kidolgozni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott 4-es, 5-ös jár. | 4-5 fős csapatokban választott témából kell házi feladatot kidolgozni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott 4-es, 5-ös jár. | ||
A lap 2020. január 19., 18:08-kori változata
Az adatmennyiség robbanásszerű növekedésével, a grafikus processzorok jelentős technológiai fejlődésével és a tudományterület új eredményeinek köszönhetően az elmúlt években a mély tanuló rendszerek, azon belül is a mély neurális hálózatok (Deep Neural Networks, DNN) valós életbeli folyamatok megfigyelések alapján történő modellezésének az egyik leghatékonyabb eszközévé váltak. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat.
Követelmények
Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is! Nagy házi feladat elkészítése és bemutatása. Vizsga(írásbeli és szóbeli).
Házi
4-5 fős csapatokban választott témából kell házi feladatot kidolgozni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott 4-es, 5-ös jár.
2-3 hetente szorgalmi kis házik kerülnek kiírásra. A kis házik legalább 70%-os teljesítése +1 jegyet jelent az év végi osztályzatban.
Vizsga
Írásbeli és szóbeli
Tippek
A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatokkal +1 jegyet lehet elérni. Az előadásokon kvíz kitöltésével plusz jegyet lehet elérni
Verseny
Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.
Kedvcsináló
2016/7
Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)
