| Kods | DE1035 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Ievads dziļajā mašīnmācīšanā | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles; Brīvās izvēles | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Agris Ņikitenko, Ēvalds Urtāns | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 6.0 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Dziļās mašīnapmācības dotās iespējas tiek salīdzinātas ar industriālo un digitālo revolūciju visās dzīvēs jomās, sākot no autonoma autotransporta līdz vērtspapīru tirgus pārvaldībai.. Lielākā daļa komerciālo risinājumu balstās uz publiski pieejamiem, jau uztrenētiem modeļiem vai jau gataviem servisiem, bet ir nepieciešami pētnieki un inženieri, kuri spēj radīt paši jaunus modeļus. Šobrīd tie sniedz augstu pievienoto vērtību kā akadēmiskos, tā komerciālos pielietojumos.. Studiju kursa ietvaros studenti pakāpeniski apgūs nepieciešamās teorētiskās zināšanas un praktiskās iemaņas darbā ar konkrētiem izstrāde rīkiem un tehnoloģijām, lai varētu uzsākt darbu patstāvīgas pētniecības vai risinājumu izstrādes jomās. Studiju kurss uzsver fundamentālas jomas atziņas un zināšanas, kuras var pielietot dažādos lietišķos pētījumos un izstrādnēs. Studiju kursa ietvaros tiks piedāvāta piekļuve RTU augstas veiktspējas skaitļošanas videi (HPC), kas nodrošinās pasaules labajai praksei atbilstošas iemaņas.. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir sniegt teorētiskas zināšanas un praktiskas iemaņas dziļās mašīnapmācības tehnoloģijā, lai nodrošinātu studentu spēju to izmantot turpmākiem pētījumiem un izstrādnēm. Studiju kursa galvenie uzdevumi: • sniegt teorētiskas un praktiskas zināšanas par dziļās mašīnmācīšanās pielietojumiem; • nodrošināt praktisku uzdevumu risināšanas pieredzi dziļās mašīnmācīšanās jomai specifiskās problēmjomās; • nodrošināt praktiskas iemaņas un prasmes izmantot programmatūras izstrādes satvarus PyTorch un ar to salīdzināmus; • nodrošināt praktisku pieredzi pārnest programmatūras realizāciju izpildei augstas veiktspējas skaitļošanas vidē; • sniegt zināšanas par dažāda veida augstas veiktspējas skaitļošanās vidēm un uzdevumu izpildi tajās. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Spēj matemātiski izvest dziļās mašīnmācīšanās neironu tīklu funkciju grafus abos virzienos. - Mājasdarbu rezultāti. Spēj teorētiski pamatot un implementēt no dziļās mašīnmācīšanās neironu tīklu funkciju grafus, izmantojot tikai Python NumPy bibliotēku, bez specializētu bibliotēku pielietojuma. - Mājasdarbu rezultāti. Spēj teorētiski pamatot un implementēt regresijas uzdevumus, izmantojot NumPy bibliotēku un PyTorch satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj teorētiski pamatot un implementēt klasifikācijas uzdevumus, izmantojot bibliotēku NumPy un PyTorch satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj teorētiski pamatot un implementēt attēlu atpazīšanas uzdevumus, izmantojot PyTorch (ConvNets) satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj teorētiski pamatot un implementēt kompresijas uzdevumus, izmantojot PyTorch (AE, VAE) satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj teorētiski pamatot un realizēt rekurentos dziļās mašīnmācīšanās neironu tīklu uzdevumus, izmantojot PyTorch (LSTM) satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj teorētiski pamatot un implementēt uzmanības uzdevumus, izmantojot PyTorch (Transformer) satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj teorētiski pamatot un implementēt stimulētās mašīnmācīšanās uzdevumus, izmantojot PyTorch (DQN, A3C) satvaru. - Mājasdarbu rezultāti, studiju darbs. Spēj izmantot RTU HPC skaitļošanas klāsteri. - Studiju darbs. Ir sagatavots tālākam darbam, izmantojot dziļās mašīnmācīšanās metodes un paņēmienus. - Studiju darbs, eksāmens. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Studiju darbs - 25%
Darbs lekcijās - 25% Mājasdarbi - 25% Eksāmens - 25% |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Pirms studiju kursa uzsākšanas studentiem ir jābūt šādām priekšzināšanām: augstākā matemātika; varbūtību teorija un statistika; programmatūras projektēšanas šabloni, piemēram, MVC, Observer vai Singleton; objektorientēta programmatūras projektēšana un izstrāde; programmēšanas iemaņas Python un C/C++; koda pārvaldības rīki, piemēram, GIT; pamatzināšanas Linux. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||