| Kods | LA0954 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Dziļā metriku apmācība un ģeneratīvie sacīkstes tīkli | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Brīvās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Profesionālais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Liepājas akadēmija | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Anita Jansone, Ēvalds Urtāns | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 3.0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Dziļā metriku mašīnmācīšanās dod iespēju reducēt daudzdimensiju datus, kā, piemēram fotoattēlus, video vai audio ierakstus, līdz dažu dimensiju latentajiem vektoriem, saglabājot semantisko informāciju latentajā telpā. Šādus modeļus plaši pielieto re-identifikācijas uzdevumos, kur modelis tiek vienreiz apmācīts ar apmācības datu kopu, bet pēc tam pielietots ar datu kopām, kur tiek kategorizētas un klasificētas līdz šim neredzētas klases. Piemēram, modeļi ir spējīgi atpazīt personu pēc sejas, kaut arī šī persona netika iekļauta apmācību kopā. Tāpat dziļā metriku apmācība ir svarīga arī ģeneratīvajos modeļos, kur latentā vektora dimensijām jābūt atšķetinātām, lai varētu kontrolēt iegūtā rezultāta semantiskās īpašības. Piemēram, mainot vienas dimensijas skaitliskās vērtības, ģenerētajā attēlā mainās matu krāsa, bet, mainot otru dimensiju, mainās sejas izteiksme. Šādus rezultātus var iegūt ar GAN, VEA un citiem modeļu veidiem. 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.. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir sagatavot jaunos zinātniekus dziļo metriku un ģeneratīvo sacīkstes tīklu problēmsfērā savu pētījumu uzsākšanai, kā arī dot zināšanas un praksi, lai dziļo mašīnmācibu studenti varētu pielietot praktisku uzdevumu risināšanā. Studiju kursa uzdevumi: 1. Sniegt padziļinātas zināšanas dziļās māšīnmācības teorijā un praktiskās pielietojumā dziļo metriku un ģeneratīvo sacīkstes tīklu problēmsfērā. 2. Sniegt zināšanas PyTorch satvaru pielietojumā, lai implementētu un apmācītu modeļus. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
* Spēj pielietot dziļo metriku mašīnmācīšanos un ģeneratīvos sacīkstes tīklus praktisku problēmu risināšanā
* Spēj implementēt modeļus PyTorch satvarā, izmantojot publikācijas dziļo metriku un ģeneratīvo sacīkstes tīklu problēmsfērā
* Spēj radīt jaunus modeļus un metodes dziļajā mašīnmācīšanā dziļo metriku un ģeneratīvo sacīkstes tīklu problēmsfērā - Teorētiskās zināšanas un praktiskās prasmes vērtētas atbilstoši kritērijiem e-studiju vidē.
Studējošiem jāveic visi patstāvīgā darba uzdevumi un mājasdarbi. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Studējošiem jāveic visi patstāvīgā darba uzdevumi un mājasdarbi. - 100%
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Ievads dziļajā mašinmācīšanās | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||