====== Laboratorium SNN  ======


===== Zaliczenie zajęć =====

<fs large>[[..:zaliczenie|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 


===== Plan =====

  - Wstęp do python, jupyter, numpy, pandas, matlibplot, scikit-learn
  - Model neuronu McCulloch-Pittsa, 
  - Prerceptron
  - MLP, badanie różnych konfiguracji treningu
  - Ocena jakości modeli, generalizacja, dobór hiperparametrów 
  - RBF
  - Uczenie konkurencyjne, gaz neuronowy
  - Uczenie korelacyjne, reguła Hebba
  - Keras, Tensorflow i głebokie uczenie
  - Sieci splotowe CNN
  - Transfer learning
  - Sieci rekurencyjne RNN
  - Autokodery, VAE
  - Sieci generatywne GAN (?)

===== Notatniki i zadania =====

{{page>zajecia:nn_2025_1:lab:sidebar#Notatniki&noheader&nofooter}} 

===== Środowisko pracy  =====

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'' 

==== Praca lokalnie (na pracowni lub własnym komputerze) ====

  - Jeśli chcesz korzystać z repozytoriów GitHub do przesyłania rozwiązań to utwórz kopie repozytorium z zajęć klikając na adres podany w Moodle
  - Pobieramy notatnik ''ipynb'', np. klonując repozytorium GitHub
  - Otwieramy wiersz poleceń Anaconda i przechodzimy do katalogu zawierającego pobrane pliki
  - Uruchamiamy serwer Jupyter poleceniem \\ <code>jupyter-notebook</code> lub <code>jupyter-lab</code>
  - Po wykonaniu zadań należy zapisać notatnik wraz z wynikami 
  - Rozwiązanie umieszczamy w Moodle lub wypychamy do własnego repozytorium GitHub

**Instalacja Anaconda**
  * [[https://www.anaconda.com/products/individual|Anaconda]]
  * [[https://jupyter.readthedocs.io/en/latest/install/notebook-classic.html|Installing the classic Jupyter Notebook interface]]
  * [[https://jupyterlab.readthedocs.io/en/stable/|JupyterLab]] 

==== Google Colab  (lub Binder) ====

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

  - Utwórz kopie repozytorium z notatnikiem poprzez link podany w Moodle \\ https://moodle.umk.pl/WFAIIS/course/view.php?id=41#section-1
  - Uruchom notatnik w Google Colab klikając {{zajecia:mn_2020_2:colab-badge.png}}
  - Po wykonaniu zadania zapisz notatnik w repozytorium GitHub \\ ''Plik'' -> ''Zapisz notatnik w usłudze GitHub''
  

  * [[https://colab.research.google.com/|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.)
  * [[https://mybinder.org/|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)


===== Kilka przydatnych odnośników =====

  * [[https://www.python.org/|Python]]   is a programming language that lets you work quickly and integrate systems more effectively 
    * [[https://www.learnpython.org/pl/|www.learnpython.org]]
  * [[https://jupyter.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.
    * [[https://www.dataquest.io/blog/jupyter-notebook-tutorial/|Jupyter Notebook for Beginners: A Tutorial]]
  * [[https://numpy.org/|NumPy]] NumPy is the fundamental package for scientific computing with Python 
    * [[https://numpy.org/devdocs/user/quickstart.html|NumPy tutorial]] 
  * [[https://pandas.pydata.org/|Pandas]] is a fast, powerful, flexible and easy to use open source data analysis and manipulation tool
    * [[https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html|10 minutes to pandas]]
    * [[https://realpython.com/pandas-python-explore-dataset/#using-the-pandas-python-library|Using Pandas and Python to Explore Your Dataset]] by Reka Horvath
  * [[https://scikit-learn.org/stable/|scikit-learn]] Simple and efficient tools for predictive data analysis 
  * [[https://matplotlib.org/|matplotlib]]  comprehensive library for creating static, animated, and interactive visualizations in Python.
    * [[https://github.com/rougier/matplotlib-tutorial|Matplotlib tutorial for beginner]] by Nicolas P. Rougier
  * [[https://www.tensorflow.org/?hl=pl|Tensorflow]]
  * [[https://keras.io/|Keras]]