Laboratorium SNN

<fs large>Zaliczenie zajęć, projekty i propozycje tematów projektów </fs>

Rozwiązanie muszą być wykonane samodzielnie. Nie jest dozwolone udostępnianie rozwiązań innym osobom

Rozwiązania należy deponować w Moodle lub w repozytorium GitHub utworzonym na podstawie linku aktywującego zadanie. Adresy aktywujące repozytorium GitHub do deponowania rozwiązań znajduja się w Moodle.
Strona kursu w Moodle: https://moodle.umk.pl/WFAIIS/course/view.php?id=41

1. Wstęp do python, jupyter, numpy, pandas, matlibplot, scikit-learn
2. Model neuronu McCulloch-Pittsa,
3. Prerceptron
4. MLP, badanie różnych konfiguracji treningu
5. Ocena jakości modeli, generalizacja, dobór hiperparametrów
6. RBF
7. Uczenie konkurencyjne, gaz neuronowy
8. Uczenie korelacyjne, reguła Hebba
9. Keras, Tensorflow i głebokie uczenie
10. Sieci splotowe CNN
11. Transfer learning
12. Sieci rekurencyjne RNN
13. Autokodery, VAE
14. Sieci generatywne GAN (?)
15. Mechanizm uwagi i transformery (?)

Laboratoria realizowane są w języku Python z wykorzystaniem notatników Jupyter. Na pracowni komputerowej dostępna jest dystrybucja Anaconda (zalecane środowisko na zajęciach). Możliwe jest również wykorzystanie usług sieciowych umożliwiających edycję i uruchamianie notatników, jak Google Colab lub Binder. Python oraz jupyter-notebook dostępne są również na serwerze studenckim polon7.fizyka.umk.pl

1. Jeśli chcesz korzystać z repozytoriów GitHub do przesyłania rozwiązań to utwórz kopie repozytorium z zajęć klikając na adres podany w Moodle
2. Pobieramy notatnik ipynb, np. klonując repozytorium GitHub
3. Otwieramy wiersz poleceń Anaconda i przechodzimy do katalogu zawierającego pobrane pliki
4. Uruchamiamy serwer Jupyter poleceniem
   

   jupyter-notebook

   lub

   jupyter-lab

5. Po wykonaniu zadań należy zapisać notatnik wraz z wynikami
6. Rozwiązanie umieszczamy w Moodle lub wypychamy do własnego repozytorium GitHub

Instalacja Anaconda

• Anaconda
• Installing the classic Jupyter Notebook interface
• JupyterLab

Google colaboratory umożliwia zapis notatników do prywatnych repozytoriów GitHub, usługa Binder umożliwia wyłacznie import publicznych repozytoriów GitHub.

1. Utwórz kopie repozytorium z notatnikiem poprzez link podany w Moodle
   https://moodle.umk.pl/WFAIIS/course/view.php?id=41#section-1
2. Uruchom notatnik w Google Colab klikając
3. Po wykonaniu zadania zapisz notatnik w repozytorium GitHub
   Plik → Zapisz notatnik w usłudze GitHub

• Google Colab (zalecane)
  • dostęp do GPU
  • wymagane konto Google i autoryzacja
  • edytowane notatniki można zapisać na Dysku Google lub w GitHub (także w prywatnych repozytoriach)
  • sesja aktywna dopóki jest otworzona w przeglądarce (max. 12h.)
• MyBinder (niezalecane)
  • tylko CPU, min. 1GB RAM
  • nie wymaga autoryzacji
  • brak możliwości zachowania zmian pomiędzy sesjami
  • sesja do 6 h., przerywana gdy brak aktywności przez 10 min
  • często długotrwała procedura konfiguracji i niestabilna praca (brak zapisu może powodować utratę danych)

• Python is a programming language that lets you work quickly and integrate systems more effectively
  • www.learnpython.org
• jupyter The Jupyter Notebook is an open-source web application that allows you to create and share documents that contain live code, equations, visualizations and narrative text.
  • Jupyter Notebook for Beginners: A Tutorial
• NumPy NumPy is the fundamental package for scientific computing with Python
  • NumPy tutorial
• Pandas is a fast, powerful, flexible and easy to use open source data analysis and manipulation tool
  • 10 minutes to pandas
  • Using Pandas and Python to Explore Your Dataset by Reka Horvath
• scikit-learn Simple and efficient tools for predictive data analysis
• matplotlib comprehensive library for creating static, animated, and interactive visualizations in Python.
  • Matplotlib tutorial for beginner by Nicolas P. Rougier
• Tensorflow
• Keras