From 4a30b40aa2e21358e118a61ebf212f4a9c61e442 Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?Pawe=C5=82=20Sk=C3=B3rzewski?= <pawel.skorzewski@amu.edu.pl>
Date: Tue, 2 Apr 2024 14:22:23 +0200
Subject: [PATCH] Lab 5

---
 IUM_05.Biblioteki_DL.ipynb | 26 ++++++++++----------------
 1 file changed, 10 insertions(+), 16 deletions(-)

diff --git a/IUM_05.Biblioteki_DL.ipynb b/IUM_05.Biblioteki_DL.ipynb
index 4c99128..6dcec31 100644
--- a/IUM_05.Biblioteki_DL.ipynb
+++ b/IUM_05.Biblioteki_DL.ipynb
@@ -8,14 +8,8 @@
     }
    },
    "source": [
-    "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
-    "<div class=\"alert alert-block alert-info\">\n",
     "<h1> Inżynieria uczenia maszynowego </h1>\n",
-    "<h2> 5. <i>Biblioteki Deep  Learning</i>  [laboratoria]</h2> \n",
-    "<h3> Tomasz Ziętkiewicz (2022)</h3>\n",
-    "</div>\n",
-    "\n",
-    "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
+    "<h2> 5. <i>Biblioteki Deep  Learning</i>  [laboratoria]</h2> "
    ]
   },
   {
@@ -73,7 +67,7 @@
    },
    "source": [
     "## 1. Tensorflow\n",
-    " - www.tensorflow.org\n",
+    " - [https://tensorflow.org](https://tensorflow.org)\n",
     " - Open source\n",
     " - Rozwijana przez google\n",
     " - Bogaty \"ekosystem\"\n",
@@ -128,7 +122,7 @@
     " - Dynamiczny graf obliczeń\n",
     " - Możliwość osadzenia na urządzeniach Android i iOS ([Torch mobile](https://pytorch.org/mobile/home/))\n",
     " - Serwowanie modeli przez REST dzięki [TorchServe](https://pytorch.org/serve/)\n",
-    " - Przykład klasyfikacji IRIS w PyTorch: https://www.kaggle.com/aaditkapoor1201/iris-classification-pytorch"
+    " - Przykład klasyfikacji Iris w PyTorch: https://www.kaggle.com/aaditkapoor1201/iris-classification-pytorch"
    ]
   },
   {
@@ -162,7 +156,7 @@
     " - zmergowana do repozytorium PyTorch\n",
     " - Open source\n",
     " - Głównie zastosowania produkcyjne, w tym modele embedded (Caffe2go)\n",
-    " - PyTorch: łatwość ekspoerymentowania, research. Caffe2: wydajność, urządzenia mobilne\n",
+    " - PyTorch: łatwość eksperymentowania, research. Caffe2: wydajność, urządzenia mobilne\n",
     " - ONNX jako format wymiany między Caffe2 i PyTorch"
    ]
   },
@@ -182,7 +176,7 @@
     " - Napisana w Javie i C++\n",
     " - Interfejsy: Java, Scala, Clojure, Kotlin\n",
     " - Możliość importu modeli Keras\n",
-    " - Przykład klasyfikacji IRIS: https://deeplearning4j.konduit.ai/android/linear-classifier\n"
+    " - Przykład klasyfikacji Iris: https://deeplearning4j.konduit.ai/android/linear-classifier\n"
    ]
   },
   {
@@ -215,7 +209,7 @@
     " - Open source (licencja MIT)\n",
     " - Napisana w C#, C++\n",
     " - API: .NET, Python (bindingi poprzez [NimbusML](https://github.com/microsoft/NimbusML))\n",
-    " - Przykłady klasyfikacji IRIS:\n",
+    " - Przykłady klasyfikacji Iris:\n",
     "     - https://docs.microsoft.com/pl-pl/dotnet/machine-learning/tutorials/iris-clustering\n",
     "     - https://github.com/dotnet/machinelearning-samples/tree/main/samples/csharp/getting-started/MulticlassClassification_Iris\n",
     " - Więcej przykładów: https://github.com/dotnet/machinelearning-samples\n",
@@ -233,7 +227,7 @@
     "## 8. MXNet\n",
     " - https://mxnet.apache.org/\n",
     " - Open source (Apache 2.0)\n",
-    " - Rozwijana przez [Apache Software Foundation](https://www.apache.org/)\n",
+    " - Był rozwijany przez [Apache Software Foundation](https://www.apache.org/)\n",
     " - Backend napisany w C++\n",
     " - Iterfejsy: Python (główny) i dodatkowo for Scala, Julia, Clojure, Java, C++, R i Perl\n",
     " - Możliwość osadzenia na urządzeniach mobilnych dzięki [amalgamacji](https://mxnet.apache.org/versions/1.8.0/api/faq/smart_device)"
@@ -256,9 +250,9 @@
     "|PyTorch      |Facebook    |BSD       |C++,Python |C,Python, Java              |      |\n",
     "|Caffe        |[BAIR](https://bair.berkeley.edu/)|BSD|C++|Python,Matlab| |\n",
     "|Caffe2       |Facebook    |BSD       |C++        |C++,Python                  |Od 3 lat (2018) część PyTorch|\n",
-    "|CNTK         |Microsoft   |MIT       |C++        |Python, C++, C#             |od 01.2019 nierozwijana|\n",
+    "|CNTK         |Microsoft   |MIT       |C++        |Python, C++, C#             |nierozwijany od 01.2019|\n",
     "|ML.NET       |Microsoft   |MIT       |C++, C##   |.NET, Python                ||        \n",
-    "|MXNet        |Apache Foundation|Apache 2.0|C++, Python|Python, Scala, Julia, Clojure, Java, C++, R i Perl||"
+    "|MXNet        |Apache Foundation|Apache 2.0|C++, Python|Python, Scala, Julia, Clojure, Java, C++, R i Perl|nierozwijany od 05.2022|"
    ]
   },
   {
@@ -294,7 +288,7 @@
    "source": [
     "## Zadanie [22 pkt.]\n",
     "\n",
-    "Termin: 2023-05-12\n",
+    "Termin: 24 kwietnia 2024\n",
     "\n",
     "1. Wybierz jeden z frameworków ML (jeden z powyższych, ale może być też inny) i zaimplementuj w nim prostą sieć neuronową rozwiązującą wybrany problem (np regresji lub klasyfikacji) na wybranym na poprzednich zajęciach zbiorze. Możesz wzorować się (lub nawet skopiować) na jednym z tutotoriali do danego frameworka.\n",
     "    - wczytaj dane trenujące z pliku [2 pkt.]\n",