1. komponenta

Vrsta nastave	Ukupno
Predavanja	30
Auditorne vježbe	15

* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)

CILJ KOLEGIJA: Studente osposobiti za:
- razumijevanje osnovnih teoretskih i praktičnih koncepata u kontekstu dubokog učenja i dubokih neuronskih mreža;
- razumijevanje procesa učenja i podataka potrebnih za duboko učenje;
- stjecanje praktičnog znanja o sustavima dubokog učenja za rješavanje stvarnih problema.

NASTAVNI SADRŽAJI:
1. Uvod - usporedba dubokog učenja i standardnih metoda strojnog učenja.
2. Osnove dubokog učenja: učenje širenjem unatrag (backpropagation), aktivacijske funkcije, funkcije izlaza i gubitka.
3. Grafovi izračunavanja (computation graphs).
4. Regularizacijske metode za duboke neuronske mreže.
5. Optimizacijski algoritmi i strategije.
6. Konvolucijske neuronske mreže.
7. Arhitekture za modeliranje nizova.
8. Neuronske mreže za grafove.
9. Autoenkoderi.
10. Generativne sukobljavajuće mreže (generative adversarial networks).

1. Deep learning, Goodfellow, Ian, Yoshua Bengio, and Aaron Courville, MIT press, 2016.
2. Dive into deep learning, Zhang, Aston, Zachary C. Lipton, Mu Li, and Alexander J. Smola, arXiv preprint arXiv:2106.11342, 2021.

Ostali izborni predmeti - Redovni Studij - Računarstvo i matematika

Ostali izborni predmeti - Redovni Studij - Računarstvo i matematika

Ostali izborni predmeti - Redovni Studij - Računarstvo i matematika

Ostali izborni predmeti - Redovni Studij - Računarstvo i matematika