11. 8. 2020  6:13 Zuzana
Akademický informační systém

Sylabus předmětu I-HNS - Hlboké neurónové siete (FEI - ZS 2020/2021)


     Informačný list          ECTS          Sylabus          


     Slovenština          Angličtina          


Vysoká škola:
Slovenská technická univerzita v Bratislave
Fakulta: Fakulta elektrotechniky a informatiky
Kód predmetu: I-HNS
Názov predmetu:
Hlboké neurónové siete
Druh, rozsah a metóda vzdelávacích činností:
prednáška
2 hod. týždenne (prezenčná metóda)
2 hod. týždenne (dištančná metóda)
cvičenie2 hod. týždenne (prezenčná metóda)
2 hod. týždenne (dištančná metóda)

 
Počet kreditov:
6
 
Odporúčaný semester/trimester:
robotika a kybernetika - inžiniersky (povinne voliteľný), 3. semester
robotika a kybernetika - inžiniersky (povinne voliteľný), 3. semester
Stupeň štúdia: 2.
Podmieňujúce predmety:
žiadne
 
Podmienky na absolvovanie predmetu:
Cvičenia budú prebiehať formou riešenia 4 projektových úloh po 15 bodoch, podmienkou je získať spolu aspoň 30 bodov. Povinné absolvovanie všetkých cvičení, alebo ich náhrada individuálnym zadaním.
 
Výsledky vzdelávania:
Študent po absolvovaní predmetu bude rozumieť základným princípom algoritmov hlbokého učenia a učenia s posilňovaním. Bude vedieť vytvárať a trénovať vlastné štruktúry hlbokých neurónových sietí, riešiť rôzne spôsoby HMI v oblasti robotiky. Bude vedieť tieto prístupy aplikovať pri riešení praktických úloh, dokáže ich programovo implementovať, resp. využívať spolu s príslušným programovým vybavením.
 
Stručná osnova predmetu:
1. Úvod do problematiky hlbokých neurónových sietí a ich využitie v praxi.
2. Konvolučné neurónové siete a opis architektúry siete.
3. Algoritmy hlbokého učenia. Programová realizácia učenia siete na grafických kartách.
4. Rôzne typy hlbokých sietí (LeNet, AlexNet, ResNet, GoogLeNet, Inception V2/V3, DenseNet, ...). Vybrané aplikácie hlbokých neurónových sietí.
5. Rekurentné neurónové siete, LSTM siete (Long Short-Term Memory).
6. GAN siete (Generative Adversarial Networks). Autoenkódery a ich využitie pri spracovaní obrazu.
7. Aplikácie učenia s posiľňovaním v robotike (reinforcement learning).
8. Detekcia objektov metódami hlbokého učenia a ich aplikácia v robotike.
9. Aplikácie HNS v medicíne, rozpoznávanie ochorení z obrazových dát.
10. HMI v oblasti robotiky, rozpoznávanie statických a dynamických gest, ovládanie zariadení za pomoci využitia 3D senzorov (Kinect, Leap Motion)
11. HMI v oblasti robotiky, rozpoznávanie reči, EMG, EEG signálov, ovládanie zariadení hlasom a EMG signálmi.
 
Odporúčaná literatúra:
Základné:
KAJAN, S. -- GOGA, J. -- ZSÍROS, O. Comparison of algorithms for dynamic hand gesture recognition. In CIGÁNEK, J. -- KOZÁK, Š. -- KOZÁKOVÁ, A. 2020 Cybernetics & Informatics (K&I). Danvers: IEEE, 2020, ISBN 978-1-7281-4381-1.
KAJAN, S. -- GOGA, J. -- LACKO, K. -- PAVLOVIČOVÁ, J. Detection of diabetic retinopathy using pretrained deep neural networks. In CIGÁNEK, J. -- KOZÁK, Š. -- KOZÁKOVÁ, A. 2020 Cybernetics & Informatics (K&I). Danvers: IEEE, 2020, ISBN 978-1-7281-4381-1.
GOGA, J. -- KAJAN, S. Hand gesture recognition using 3D sensors. In Proceedings ELMAR-2017. Zagreb: University of Zagreb, 2017, s. 181--184. ISBN 978-953-184-230-3.

 
Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu:
slovenský jazyk alebo anglický jazyk
 
Poznámky:
 
Hodnotenie predmetov:
Celkový počet hodnotených študentov: 0

Vyučujúci:
Ing. Slavomír Kajan, PhD. (cvičiaci, prednášajúci, skúšajúci) - slovenský jazyk, anglický jazyk
prof. Ing. Ivan Sekaj, PhD. (zodpovedný za predmet) - slovenský jazyk, anglický jazyk
 
Dátum poslednej zmeny:
25. 2. 2020
Schválil:
prof. Ing. Ivan Sekaj, PhD. a garant príslušného študijného programu


Poslednú zmenu urobil RNDr. Marian Puškár dňa 25. 02. 2020.

Typ výstupu: