Popis předmětu - B3B33UROB

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
B3B33UROB Učení robotů
Role:PV Rozsah výuky:2P+2C
Katedra:13133 Jazyk výuky:CS
Garanti:  Zakončení:Z,ZK
Přednášející:  Kreditů:6
Cvičící:  Semestr:Z

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/b3b33vir/start

Anotace:

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.org

Požadavky:

Klíčová slova:

strojové učení, hluboké neuronové sítě

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
BPKYR_2021 Před zařazením do oboru PV 5


Stránka vytvořena 4.2.2023 12:50:56, semestry: L/2022-3, L/2021-2, Z/2024-5, Z/2022-3, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)