LA0953 Ievads dziļajā mašīnmācīšanā

Kods LA0953
Nosaukums Ievads dziļajā mašīnmācīšanā
Statuss Brīvās izvēles
Līmenis un tips Augstākā līmeņa, Profesionālais
Tematiskā joma Datorika
Struktūrvienība Liepājas akadēmija
Mācībspēks Anita Jansone, Ēvalds Urtāns
Kredītpunkti 6.0
Daļas 1
Anotācija Dziļās māšinmācības dotās iespējas tiek salīdzinātas ar industriālo un digitālo revolūciju visās dzīvēs jomās, sākot no pabraucošajam mašīnām līdz vērtspapīru tirgošanai. Lielākā daļa komerciālo risinājumu balstās uz publiski pieejamiem, jau uztrenētiem modeļiem vai jau gataviem servisiem, bet ir nepieciešami zinātnieki, kuri spēj radīt paši jaunus modeļus, un tie ir ļoti augsti novērtēti gan akadēmiskajās, gan komerciālajās aprindās. Lai jaunie zinātnieki spētu radīt jaunus modeļus, ir nepieciešams būt spējīgiem gan datorzinātņu disciplīnās, gan matemātikas disciplīnās..
Šī kursa ietvaros jaunie zinātnieki ar praktiskiem piemēriem, soli pa solim, apgūs visu nepieciešamo teoriju un rīkus, lai varētu uzsākt darbu pie saviem pētījumiem. Kursā uzsvars tiek likts uz fundamentālu zinātni, kuru var pielietot daudz dažādos lietišķos pētījumos. Kursa ietvaros visi matemātiskie modeļi tiks implementēti PyTorch satvarā vai līdzvērtīgā matemātiskā satvarā..
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Python un Numpy pamati 2 8 0 0
Lineārā algebra, izmantojot Numpy 4 8 0 0
Inversā kinemātika, izmantojot Numpy 2 8 0 0
Linēarā regresija, izmantojot Numpy un LaTeX vai kādu citu formālu matemātikas pieraksta metodoloģiju 4 8 0 0
Mākslīgie neironu tīkli, izmantojot Numpy un OOP (Object Oriented Programming) 2 8 0 0
Regresijas un klasifikācijas uzdevumi, izmantojot Numpy un PyTorch 4 8 0 0
ConvNet (Convolutional Neural Network), VGG modeļi attēlu klasifikācijai 4 8 0 0
ResNet (Residual Convolutional Neural Network), DenseNet (Densely Connected Convolutional Neural Network) modeļi attēlu klasifikācijai 2 8 0 0
AE (Auto-Encoder), DAE (Denoising Auto-Encoder) modeļi anomāliju atpazīšanai attēlos 4 6 0 0
VAE (Variational Auto-Encoder) modelis anomāliju atpazīšanai attēlos un jaunu attēlu ģenerēšanai 2 6 0 0
UNet (U-tipa modelis) modelis attēlu segmentācijas uzdevumam 4 8 0 0
RNN (Recurrent Neural Network), LSTM (Long Short-Term Memory Network) un GRU (Gated Recurrent Unit) laika rindu modeļi dabīgās valodas modelēšanai 2 8 0 0
Transformera laika rindu modeļi dabīgās valodas modelēšanai 4 6 0 0
DQN (Deep Q-Network) un DDQN (Double Deep Q-Network) vērtību funkcijas modeļi stimulētajai mašīnmācībai OpenAI datorspēļu vidē 2 6 0 0
A2C (Actor-Critic) un PPO (Proximal Policy Optimization) politikas funkcijas modeļi stimulētajai mašīnmācībai OpenAI datorspēļu vidē 4 8 0 0
Tensorboard un TorchVision bibliotēkas, un sistemātiska hiperparametru pārmelēšana 2 8 0 0
Kopā: 48 120 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Studiju kursa mērķis ir sagatavot jaunos zinātniekus dziļajā māšīnmācībā savu pētījumu uzsākšanai, kā arī dot zināšanas un praksi, lai dziļo mašīnmācibu studenti varētu pielietot praktisku uzdevumu risināšanā sākot no regresijas, klasifikācijas un laika rindu uzdevumiem, un beidzot ar stimulēto māšinmācīšanos. Studiju kursa uzdevumi: 1. Sniegt zināšanas dziļās māšīnmācības teorijā un praktiskās pielietojumā. 2. Sniegt zināšanas programmējamu dziļo mašīnmācīšanās satvaru lietojumā, lai implementētu un apmācītu modeļus.
Sasniedzamie studiju
rezultāti un to vērtēšana 		1. Spēj pielietot dziļo mašīnmācīšanos praktisku problēmu risināšanā. 2. Spēj implementēt modeļus PyTorch vai citus matemātiskus satvarus par pamatu, izmantojot zinātniskas publikācijas. 3. Spēj radīt jaunus modeļus un metodes dziļajā mašīnmācīšanā. - Teorētiskās zināšanas un praktiskās prasmes vērtētas atbilstoši kritērijiem e-studiju vidē.
Studiju rezultātu vērtēšanas kritēriji
Studējošiem jāveic visi patstāvīgā darba uzdevumi un mājasdarbi. - 100%
 
Priekšzināšanas Programmēšanas pamati Matemātikas pamati
Studiju kursa plānojums
Daļa KP Stundas Pārbaudījumi Pārbaudījumi (brīvai izvēlei)
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs Ieskaite Eksāmens Darbs
1 6.0 16.0 32.0 0.0 * *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]