Deep Learning a gyakorlatban Python és LUA alapon
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.
Tartalomjegyzék
Követelmények
Gyakorlatokon való jelenlét. 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.
