Deep Learning a gyakorlatban Python és LUA alapon

Deep Learning a gyakorlatban Python és LUA alapon

Tárgykód	VITMAV45
Általános infók
Kredit	4
Keresztfélév	?
Tanszék	TMIT
Követelmények
Jelenlét	gyakorlaton min. 70%
Minimális munka	NHF + vizsga
Labor	nincs
KisZH	nincs
NagyZH	nincs
Házi feladat	NHF + opcionális KHF-k
Vizsga	írásbeli + szóbeli
Elérhetőségek
Levlista	Google Groups
Tantárgyi adatlap
Tárgyhonlap

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

3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!

Összesen 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben.

Vizsga

2019 - A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás 7-10 perces legyen!)

Ha nem megajánlott jegyre mész: A vizsga elősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.

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)