Popis předmětu - B3B33VIR
Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
| B3B33VIR | Vidění robotu | ||
|---|---|---|---|
| Role: | PV | Rozsah výuky: | 2P+2L |
| Katedra: | 13133 | Jazyk výuky: | CS |
| Garanti: | Zakončení: | Z,ZK | |
| Přednášející: | Kreditů: | 4 | |
| Cvičící: | Semestr: | Z | |
Webová stránka:
https://cw.fel.cvut.cz/wiki/courses/b3b33vir/startAnotace:
Předmět naučí aplikovat metody strojového učení a optimalizace na známých úlohách z oblasti robotiky jako jsou například sémantická segmentace z kamerových a hloubkových obrázků či reaktivní řízení robotu. Těžiště předmětu leží ve výuce metod aplikujících hluboké konvoluční neuronové sítě. Studenti využijí základní znalosti z optimalizace a lineární algebry jako jsou robustní řešení přeurčených soustav (ne)lineárních (ne)homogenních rovnic nebo metody gradientní minimalizace. První polovina cvičení je věnována řešení základních úloh v PyTorch, druhá část cvičení je věnována samostatnému řešení semestrální práce.Cíle studia:
Předmět naučí aplikovat metody strojového učení a optimalizace na známých úlohách z oblasti robotiky jako jsou například sémantická segmentace z kamerových a hloubkových obrázků či reaktivní řízení robotu. Těžiště předmětu leží ve výuce metod aplikujících hluboké konvoluční neuronové sítě.Osnovy přednášek:
| 1. | Přehled a organizace předmětu | |
| 2. | Regrese jako ML/MAP a její aplikace | |
| 3. | Klasifikace jako ML/MAP a jeho aplikace | |
| 4. | Neuronové sítě a backpropagation | |
| 5. | Konvoluční vrstva a backpropagation | |
| 6. | Normalizační vrstvy (BatchNorm, InstanceNorm, ...) a backpropagation | |
| 7. | Učení I (SGD, momentum a jejich convergence ratio) | |
| 8. | Učení II (Nesterov gradient, Adam optimizer, vliv aktivačních funkcí na problémy v optimalizaci) | |
| 9. | Architektury hlubokých neuronových sítí I: detekce (yolo), segmentace (DeepLab), Klasifikace (ResNet) | |
| 10. | Architektury hlubokých neuronových sítí II: pose regression, spatial transformer nets. | |
| 11. | Generativní modely a jejich použití v robotice (Generative Adversarial Networks, Cascaded Refinement Networks, Style Transfer Networks) | |
| 12. | Posilované učení v robotice (policy gradient, imitation learning, actor-critic, aplikace) | |
| 13. | Učení ze slabých anotací (weak-supervision, self-supervision) | |
| 14. | Prezentace semestralnich praci |
Osnovy cvičení:
První polovina cvičení je věnována řešení základních úloh v PyTorch, druhá část cvičení je věnována samostatnému řešení semestrální práce.Literatura:
Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep learning, MIT press, 2016 http://www.deeplearningbook.orgPožadavky:
Klíčová slova:
strojové učení, hluboké neuronové sítěPředmět je zahrnut do těchto studijních plánů:
| Plán | Obor | Role | Dop. semestr |
| BPKYR_2016 | Před zařazením do oboru | PV | 5 |
| Stránka vytvořena 21.1.2026 17:51:37, semestry: Z/2027-8, Z,L/2025-6, Z,L/2026-7, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: I. Halaška (K336), J. Novák (K336) |