(Sylabus)
 
(64 intermediate revisions by 2 users not shown)
Line 10: Line 10:
  
 
== Novinky ==
 
== Novinky ==
 +
V prednáškach a cvičeniach boli minulý rok urobené čiastočné zmeny. Niektoré staršie časti boli skrátené, niektoré novšie veci pridané. Sylabus je aktualizovaný, ako aj hodnotenie aktivít predmetu.
  
[http://dai.fmph.uniba.sk/courses/NN/Projects/project1.html Projekt 1] - termín odovzdania: 31.3.2019
 
 
<!--
 
<!--
Projekt [http://dai.fmph.uniba.sk/~kuzma/courses/neuro/project2a (2a)] alebo [http://dai.fmph.uniba.sk/~kuzma/courses/neuro/project2b (2b)] - termín odovzdania: piatok 27.4.2018
+
[https://moodle.uniba.sk/moodle/inf11/mod/assign/view.php?id=29805 Projekt 1] - termín odovzdania: 8.4.2020 23:55
  
Projekt [http://dai.fmph.uniba.sk/~kuzma/courses/neuro/project3a (3a)] alebo [http://dai.fmph.uniba.sk/~kuzma/courses/neuro/project3b (3b)] - termín odovzdania: piatok 25.5.2018
+
Projekt [https://moodle.uniba.sk/moodle/inf11/mod/assign/view.php?id=29809 (2a)] alebo [https://moodle.uniba.sk/moodle/inf11/mod/assign/view.php?id=29810 (2b)] - termín odovzdania: štvrtok 30.4.2020 23:55
  
'''Skúška:''' v AISe sú vypísané termíny, so začiatkom písomnej časti vždy o 8:30. Maximálne 8 ľudí na termín.
+
Projekt [https://moodle.uniba.sk/moodle/inf11/mod/assign/view.php?id=29814 (3a)] alebo [https://moodle.uniba.sk/moodle/inf11/mod/assign/view.php?id=29815 (3b)] - termín odovzdania: štvrtok 20.5.2020 23:55
Ťaháte si pseudonáhodne 3 otázky zo [http://dai.fmph.uniba.sk/courses/NN/ns-otazky.pdf zoznamu otázok].  
+
 
 +
'''Skúška:''' bude online, termíny som vám poslal emailom, ako aj informácie o jej priebehu. Vyberiete si (spôsob určím) pseudonáhodne 3 otázky zo [http://dai.fmph.uniba.sk/courses/NN/ns-otazky.2020.pdf zoznamu otázok].  
 +
 
 +
<!--tkom písomnej časti vždy o 8:30 v I-8. Maximálne 8 ľudí na termín.-->
  
 
<!-- [[#Archív noviniek|Archív noviniek…]]  
 
<!-- [[#Archív noviniek|Archív noviniek…]]  
Line 34: Line 37:
 
|Prednáška
 
|Prednáška
 
|utorok
 
|utorok
|11:30
+
|09:50 - 11:20
|F1-108
+
|online
 
|[[Igor Farkas|Igor Farkaš]]
 
|[[Igor Farkas|Igor Farkaš]]
 
|-
 
|-
 
|[https://moodle.uniba.sk/moodle/inf11/course/view.php?id=734 Praktické cvičenie]
 
|[https://moodle.uniba.sk/moodle/inf11/course/view.php?id=734 Praktické cvičenie]
|streda
+
|štvrtok
|18:10
+
|16:30 - 18:00
|I-H6
+
|online
|[[Peter Gergel|Peter Gergeľ]], [[Juraj Holas|Juraj Holas]]
+
|[[Endre Hamerlik|Endre Hamerlik]], [[Stefan Pocos|Štefan Pócoš]]
 
|}
 
|}
 
  
 
== Sylabus ==
 
== Sylabus ==
Line 53: Line 55:
 
!Literatúra
 
!Literatúra
 
|-
 
|-
|19.2.
+
|16.2.
|Úvod do umelých neurónových sietí (NS, konekcionizmu): inšpirácia z neurobiológie, stručná história NS, základné koncepty. NS s logickými neurónmi. [http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.intro.L01.4x.pdf slajdy]
+
|Podmienky na absolvovanie predmetu. Úvod k predmetu, inšpirácia z neurobiológie, stručná história NS, základné koncepty. NS s logickými neurónmi. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.intro.L01.4x.pdf slajdy-L01]-->
| [U1/1][U2/1][U3]
+
| [U1/1][U3/1][U5/1]
 
|-
 
|-
|26.2.
+
|23.2.
|Binárny/spojitý perceptrón: učenie s učiteľom, chybové funkcie, učiace pravidlá, klasifikácia vzorov, lineárne separovateľné problémy. Súvis s Bayesovským lineárnym klasifikátorom.  [http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.perceptron.L02.4x.pdf slajdy]
+
|Binárny a spojitý perceptrón: učenie s učiteľom, chybové funkcie, binárna klasifikácia a regresia, lineárna separovateľnosť. Súvis s Bayesovským klasifikátorom.  <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.perceptron.L02.4x.pdf slajdy-L02]-->
|[U2/3][U1/5]
+
|[U1/1-3]
 
|-
 
|-
|05.3.
+
|02.3.
|Lineárne NS: vektorové priestory, autoasociatívna pamäť (model General Inverse), ortogonálna projekcia, detektor novosti. Pamäť korelačnej matice (CMM model). [http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.linear-memories.L03.4x.pdf slajdy]
+
|Jednovrstvové NS: Lineárna autoasociácia: model General Inverse. Klasifikácia do n-tried. Chybové funkcie, súvis s teóriou informácie. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.single-layer-models.L03.4x.pdf slajdy-L03]-->
|[U1/4]
+
|[U4/3][U5/4]
 
|-
 
|-
|12.3.
+
|09.3.
|Viacvrstvový perceptrón: algoritmus spätného šírenia chyby (BP). Trénovacia a testovacia množina, generalizácia. Validácia, selekcia modelu. [http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.mlp.L04.4x.pdf slajdy]
+
|Viacvrstvový perceptrón: algoritmus BP. Trénovanie, validácia, testovanie. Selekcia modelu. Bias-variance tradeoff. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.mlp.L04.4x.pdf slajdy-L04]-->
|[U1/5][U2/4][U5/5]
+
|[U1/4][U4/4]
 
|-
 
|-
|19.3.
+
|16.3.
|Modifikácie gradientových metód učenia, optimalizácia druhého rádu, regularizácia. Hlboké siete (úvod).   [http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.deep.L05.4x.pdf slajdy]
+
|Modifikácie gradientových metód, optimalizácia druhého rádu, regularizácia. Problémy optimalizácie. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.optimization.L05.4x.pdf slajdy-L05]-->
|[U1/5][U2/4][U5][U6/3]
+
|[U1/15][U4/11]
 
|-
 
|-
|26.3.
+
|23.3.
|Hebbovské učenie bez učiteľa, extrakcia príznakov, analýza hlavných komponentov (PCA). <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.pca.L06.4x.pdf slajdy]-->
+
|Učenie bez učiteľa, extrakcia príznakov, model neurálnej PCA. Vizualizácia dát: model samoorganizujúcej sa mapy (SOM). <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.unsup.L06.4x.pdf slajdy-L06]-->
|[U2/8]
+
|[U1/8-9][U5/7]
 
|-
 
|-
|02.4.
+
|30.3.
|Učenie so súťažením, samoorganizujúca sa mapa (SOM), klasterizácia, topografické zobrazenie, redukcia dimenzie. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.som.L07.4x.pdf slajdy]-->
+
|Modelovanie sekvenčných dát: dopredné NS, vzťah k n-gramom, čiastočne a úplne rekurentné modely, model SRN, algoritmy BPTT, RTRL. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.seq-models.L07.4x.pdf slajdy-L07] -->
|[U1/7][U2/9]
+
|[U4/8][U5/6]
 
|-
 
|-
|09.4.
+
|06.4.
|NS s radiálnymi bázovými funkciami (RBF), funkčná aproximácia, trénovanie, RLS algoritmus. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.rbf.L08.4x.pdf slajdy]-->
+
|Expanzia skrytej reprezentácie: NS s radiálnymi bázovými funkciami (RBF), sieť s echo stavmi (ESN). <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.rbf-esn.L08.4x.pdf slajdy-L08]-->
|[U2/5-6]
+
|[U1/5][U2]
 
|-
 
|-
|16.4.
+
|13.4.
|Hopfieldov model NS: deterministická dynamika, atraktory v stavovom priestore, autoasociatívna pamäť, náčrt stochastického modelu. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.hopfield-aam.L09.4x.pdf slajdy]-->
+
|Hlboké učenie. Konvolučné neurónové siete: základné princípy. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.deep-convol.L09.4x.pdf slajdy-L09]-->
|[U1/8][U2/13]
+
|[U3/6,9, U4/6]
 
|-
 
|-
|23.4.
+
|20.4.
|voľno - Veľká noc
+
|Moderné rekurentné siete: autoenkódery, GRU, LSTM. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.autoenc-gated.L10.4x.pdf slajdy-L10]-->
|
+
|[U3/14,U4/9.1-2]
 
|-
 
|-
|30.4.
+
|27.4.
|Modelovanie sekvenčných dát: dopredné NS s časovým oneskorením, čiastočne a úplne rekurentné modely, model SRN, (gradientové) algoritmy trénovania. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.seq-nn.L10.4x.pdf slajdy]-->
+
|Hopfieldov model NS: deterministická dynamika, atraktory v stavovom priestore, autoasociatívna pamäť, náčrt stochastického modelu, moderné verzie. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.hopfield-aam.L11.4x.pdf slajdy-L11]-->
|[U1/6][U2/15]
+
|[U1/13][U5/9]
 
|-
 
|-
|07.5.
+
|04.5.
|Deterministické rekurentné modely NS: Organizácia stavového priestoru v SRN, siete s echo stavmi (ESN), rekurentná SOM, model LSTM. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.rnn.L11.4x.pdf slajdy]-->
+
|Stochastické rekurentné modely NS: úvod do pravdepodobnostného modelovania, inšpirácia z fyziky, Boltzmannov stroj, RBM model, Deep Belief Network. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.stochastic.L12.4x.pdf slajdy]-->
|[U1/6][U4]
+
|[U1/11][U3/16]
 
|-
 
|-
|14.5.
+
|11.5.
|Stochastické rekurentné modely NS: Boltzmannov stroj, RBM model, Deep Belief Network. <!--[http://dai.fmph.uniba.sk/courses/NN/Lectures/nn.stochastic.L12.4x.pdf slajdy]-->
+
|Recent advances in NN field.
|[U2]
+
|
 
|}
 
|}
  
 
== Literatúra ==
 
== Literatúra ==
  
* Kvasnička V., Beňušková., Pospíchal J., Farkaš I., Tiňo P. a Kráľ A. (1997). [http://dai.fmph.uniba.sk/courses/NN/UvodDoTeorieNS.pdf.zip Úvod do teórie neurónových sietí]. Iris: Bratislava. [U1]
+
* Farkaš I. (2016). [http://dai.fmph.uniba.sk/courses/NN/neural-networks.2016.pdf Neural networks]. Knižničné a edičné centrum FMFI UK v Bratislave. Slajdy k prednáškam.
* Haykin S. (2009). Neural Networks and Learning Machines (3rd ed.). Upper Saddle River, Pearson Education (k dispozícii na štúdium v knižnici FMFI, ale aj stiahnuteľné z webu). [U2]
+
* Haykin S. (2009). Neural Networks and Learning Machines (3rd ed.). Upper Saddle River, Pearson Education (k dispozícii na štúdium v knižnici FMFI, ale aj stiahnuteľné z webu). [U1]
* Farkaš I. (2011). [http://zona.fmph.uniba.sk/fileadmin/fmfi/sluzby/elektronicke_studijne_materialy/neural-networks.pdf Neural networks]. Knižničné a edičné centrum FMFI UK v Bratislave. Novšia verzia z roku [http://dai.fmph.uniba.sk/courses/NN/neural-networks.2016.pdf 2016]. [U3]
+
* Jaeger H. (2007). [http://www.scholarpedia.org/article/Echo_state_network Echo-state network]. Scholarpedia, 2(9):2330. [U2]
* Jaeger H. (2007). [http://www.scholarpedia.org/article/Echo_state_network Echo-state network]. Scholarpedia, 2(9):2330. [U4]
+
* Goodfellow I., Bengio Y., Courville A. (2016). [http://www.deeplearningbook.org Deep Learning]. MIT Press. [U3]   
* Goodfellow I., Bengio Y., Courville A. (2016). [http://www.deeplearningbook.org Deep Learning]. MIT Press. [U5]   
+
* Zhang A. et al. (2020). [https://d2l.ai/ Dive into Deep Learning]. An interactive deep learning book with code, math, and discussions, based on the NumPy interface. [U4]  
* Kuzma T. (2016). [[Media:Course:Kuzma-minimovka.pdf| Deep Learning in Neural Networks]]. Knižničné a edičné centrum FMFI UK v Bratislave. [U6]
+
* Kvasnička V., Beňušková., Pospíchal J., Farkaš I., Tiňo P. a Kráľ A. (1997). [http://dai.fmph.uniba.sk/courses/NN/UvodDoTeorieNS.pdf.zip Úvod do teórie neurónových sietí]. Iris: Bratislava. [U5]
  
 
== Podmienky absolvovania a spôsob hodnotenia ==
 
== Podmienky absolvovania a spôsob hodnotenia ==
  
* Odovzdanie aspoň dvoch (z troch) projektov počas semestra (max. 3x7 = 21 bodov). Termíny na odovzdanie projektov budú včas uvedené na stránke. Projekty budú ponúkať aj bonusy (max. 2 body).  
+
* Odovzdanie aspoň dvoch (z troch) projektov počas semestra (max. 3x5 = 15 bodov). Termíny na odovzdanie projektov budú včas uvedené na stránke. Projekty budú ponúkať aj bonusy (max. 2 body).
* Študent môže byť požiadaný, aby prezentoval svoj funkčný kód na cvičení ako súčasť odovzdania projektu. Na cvičeniach sa budú robiť malé úlohy, za ktoré tiež bude možné získať body (max. 10 za semester).
+
* Študent môže byť požiadaný, aby prezentoval svoj funkčný kód na cvičení ako súčasť odovzdania projektu. Na cvičeniach sa budú robiť malé úlohy, za ktoré tiež bude možné získať body (max. 17 za semester). Z cvičení je nutné získať aspoň 7 bodov.
* Absolvovanie záverečnej písomno-ústnej skúšky (3 otázky po 6 bodov, pseudonáhodný výber). Na skúšku sa môže prihlasiť len ten, kto má oznámkované aspoň dva projekty s fungujúcim kódom. Skúška je povinná, písomno-ústna, je nutné získať aspoň 6 bodov.
+
* Absolvovanie záverečnej písomno-ústnej skúšky (3 otázky po 5 bodov, pseudonáhodný výber). Na skúšku sa môže prihlasiť len ten, kto má oznámkované aspoň dva projekty s fungujúcim kódom. Skúška je povinná, ústna, je nutné získať aspoň 6 bodov.
 
* Prednášky sú dobrovoľné, za účasť však možno získať max. 3 body.
 
* Prednášky sú dobrovoľné, za účasť však možno získať max. 3 body.
 
* <b>Celkové hodnotenie:</b> A (50-46), B (45-41), C (40-36), D (35-31), E (30-26), Fx (25-0).
 
* <b>Celkové hodnotenie:</b> A (50-46), B (45-41), C (40-36), D (35-31), E (30-26), Fx (25-0).
Line 125: Line 127:
 
== Projekty počas semestra ==
 
== Projekty počas semestra ==
  
* Projekt, spolu so zdrojovým kódom, sa odovzdáva k stanoveného termínu. Za každý oneskorený kalendárny deň (max. 7 dní) odovzdania vzniká malus 1 bod (až do nuly). Úspešný projekt (fungujúci model) odovzdaný viac ako týždeň po termíne sa započítava bez bodov.
+
* Projekt, spolu so zdrojovým kódom, sa odovzdáva k stanoveného termínu. Za každý oneskorený kalendárny deň (max. 5 dní) odovzdania vzniká malus 1 bod (až do nuly). Úspešný projekt (fungujúci model) odovzdaný viac ako týždeň po termíne sa započítava bez bodov.
* Pri projekte sa hodnotí najmä obsah, ale záleží aj na forme. Obsah projektu musí byť zrozumiteľný, aby čitateľ videl, čo ste robili a ako ste to robili, t.j. grafické výstupy musia byť kombinované so sprievodným textom. Za výraznejšie formálne a gramatické nedostatky môžu byť strhnuté body.
+
* Pri projekte sa hodnotí najmä obsah, ale záleží aj na forme (čitateľnosť, úprava). Obsah projektu musí byť zrozumiteľný, aby bolo jasné, čo a ako ste robili, t.j. grafické výstupy kombinované so sprievodným textom. Za výraznejšie formálne a gramatické nedostatky môže byť strhnutý bod.
 
* Model je naprogramovaný v jazyku Python a projekt sa odovzdáva vo formáte PDF.
 
* Model je naprogramovaný v jazyku Python a projekt sa odovzdáva vo formáte PDF.
 
* Pri zistení plagiátorstva študent(ka) získava automaticky nula bodov z projektu a nebude pripustený(-á) ku skúške.
 
* Pri zistení plagiátorstva študent(ka) získava automaticky nula bodov z projektu a nebude pripustený(-á) ku skúške.

Latest revision as of 14:34, 11 May 2021

Neurónové siete 2-AIN-132

Cieľom predmetu je oboznámiť so základnými konceptmi a algoritmami učenia umelých neurónových sietí a ich použitím pri riešení rôznych úloh. Teoretické prednášky sú kombinované s praktickým modelovaním na cvičeniach v jazyku Python.

Novinky

V prednáškach a cvičeniach boli minulý rok urobené čiastočné zmeny. Niektoré staršie časti boli skrátené, niektoré novšie veci pridané. Sylabus je aktualizovaný, ako aj hodnotenie aktivít predmetu.


Rozvrh výučby

Druh výučby Deň Čas Miesto Vyučujúci
Prednáška utorok 09:50 - 11:20 online Igor Farkaš
Praktické cvičenie štvrtok 16:30 - 18:00 online Endre Hamerlik, Štefan Pócoš

Sylabus

Dátum Názov prednášky Literatúra
16.2. Podmienky na absolvovanie predmetu. Úvod k predmetu, inšpirácia z neurobiológie, stručná história NS, základné koncepty. NS s logickými neurónmi. [U1/1][U3/1][U5/1]
23.2. Binárny a spojitý perceptrón: učenie s učiteľom, chybové funkcie, binárna klasifikácia a regresia, lineárna separovateľnosť. Súvis s Bayesovským klasifikátorom. [U1/1-3]
02.3. Jednovrstvové NS: Lineárna autoasociácia: model General Inverse. Klasifikácia do n-tried. Chybové funkcie, súvis s teóriou informácie. [U4/3][U5/4]
09.3. Viacvrstvový perceptrón: algoritmus BP. Trénovanie, validácia, testovanie. Selekcia modelu. Bias-variance tradeoff. [U1/4][U4/4]
16.3. Modifikácie gradientových metód, optimalizácia druhého rádu, regularizácia. Problémy optimalizácie. [U1/15][U4/11]
23.3. Učenie bez učiteľa, extrakcia príznakov, model neurálnej PCA. Vizualizácia dát: model samoorganizujúcej sa mapy (SOM). [U1/8-9][U5/7]
30.3. Modelovanie sekvenčných dát: dopredné NS, vzťah k n-gramom, čiastočne a úplne rekurentné modely, model SRN, algoritmy BPTT, RTRL. [U4/8][U5/6]
06.4. Expanzia skrytej reprezentácie: NS s radiálnymi bázovými funkciami (RBF), sieť s echo stavmi (ESN). [U1/5][U2]
13.4. Hlboké učenie. Konvolučné neurónové siete: základné princípy. [U3/6,9, U4/6]
20.4. Moderné rekurentné siete: autoenkódery, GRU, LSTM. [U3/14,U4/9.1-2]
27.4. Hopfieldov model NS: deterministická dynamika, atraktory v stavovom priestore, autoasociatívna pamäť, náčrt stochastického modelu, moderné verzie. [U1/13][U5/9]
04.5. Stochastické rekurentné modely NS: úvod do pravdepodobnostného modelovania, inšpirácia z fyziky, Boltzmannov stroj, RBM model, Deep Belief Network. [U1/11][U3/16]
11.5. Recent advances in NN field.

Literatúra

  • Farkaš I. (2016). Neural networks. Knižničné a edičné centrum FMFI UK v Bratislave. Slajdy k prednáškam.
  • Haykin S. (2009). Neural Networks and Learning Machines (3rd ed.). Upper Saddle River, Pearson Education (k dispozícii na štúdium v knižnici FMFI, ale aj stiahnuteľné z webu). [U1]
  • Jaeger H. (2007). Echo-state network. Scholarpedia, 2(9):2330. [U2]
  • Goodfellow I., Bengio Y., Courville A. (2016). Deep Learning. MIT Press. [U3]
  • Zhang A. et al. (2020). Dive into Deep Learning. An interactive deep learning book with code, math, and discussions, based on the NumPy interface. [U4]
  • Kvasnička V., Beňušková., Pospíchal J., Farkaš I., Tiňo P. a Kráľ A. (1997). Úvod do teórie neurónových sietí. Iris: Bratislava. [U5]

Podmienky absolvovania a spôsob hodnotenia

  • Odovzdanie aspoň dvoch (z troch) projektov počas semestra (max. 3x5 = 15 bodov). Termíny na odovzdanie projektov budú včas uvedené na stránke. Projekty budú ponúkať aj bonusy (max. 2 body).
  • Študent môže byť požiadaný, aby prezentoval svoj funkčný kód na cvičení ako súčasť odovzdania projektu. Na cvičeniach sa budú robiť malé úlohy, za ktoré tiež bude možné získať body (max. 17 za semester). Z cvičení je nutné získať aspoň 7 bodov.
  • Absolvovanie záverečnej písomno-ústnej skúšky (3 otázky po 5 bodov, pseudonáhodný výber). Na skúšku sa môže prihlasiť len ten, kto má oznámkované aspoň dva projekty s fungujúcim kódom. Skúška je povinná, ústna, je nutné získať aspoň 6 bodov.
  • Prednášky sú dobrovoľné, za účasť však možno získať max. 3 body.
  • Celkové hodnotenie: A (50-46), B (45-41), C (40-36), D (35-31), E (30-26), Fx (25-0).

Projekty počas semestra

  • Projekt, spolu so zdrojovým kódom, sa odovzdáva k stanoveného termínu. Za každý oneskorený kalendárny deň (max. 5 dní) odovzdania vzniká malus 1 bod (až do nuly). Úspešný projekt (fungujúci model) odovzdaný viac ako týždeň po termíne sa započítava bez bodov.
  • Pri projekte sa hodnotí najmä obsah, ale záleží aj na forme (čitateľnosť, úprava). Obsah projektu musí byť zrozumiteľný, aby bolo jasné, čo a ako ste robili, t.j. grafické výstupy kombinované so sprievodným textom. Za výraznejšie formálne a gramatické nedostatky môže byť strhnutý bod.
  • Model je naprogramovaný v jazyku Python a projekt sa odovzdáva vo formáte PDF.
  • Pri zistení plagiátorstva študent(ka) získava automaticky nula bodov z projektu a nebude pripustený(-á) ku skúške.