Aktualizacja wykładów 12 i 13

wyk/12_Metody_optymalizacji.ipynb

@@ -38,7 +38,7 @@
     "### _Batch gradient descent_\n",
     "\n",
     "* Klasyczna wersja metody gradientu prostego\n",
-    "* Obliczamy gradient funkcji kosztu względem całego zbioru treningowego:\n",
+    "* Obliczamy gradient funkcji kosztu względem całego zbioru uczącego:\n",
     "  $$ \\theta := \\theta - \\alpha \\cdot \\nabla_\\theta J(\\theta) $$\n",
     "* Dlatego może działać bardzo powoli\n",
     "* Nie można dodawać nowych przykładów na bieżąco w trakcie trenowania modelu (*online learning*)"
@@ -288,8 +288,7 @@
     "### Adagrad\n",
     "\n",
     "* “<b>Ada</b>ptive <b>grad</b>ient”\n",
-    "* Adagrad dostosowuje współczynnik uczenia (*learning rate*) do parametrów: zmniejsza go dla cech występujących częściej, a zwiększa dla występujących rzadziej:\n",
-    "* Świetny do trenowania na rzadkich (*sparse*) zbiorach danych\n",
+    "* Adagrad dostosowuje współczynnik uczenia (*learning rate*) do parametrów: zmniejsza go dla cech występujących częściej, a zwiększa dla występujących rzadziej\n",
     "* Wada: współczynnik uczenia może czasami gwałtownie maleć\n",
     "* Wyniki badań pokazują, że często **starannie** dobrane $\\alpha$ daje lepsze wyniki na zbiorze testowym"
    ]

wyk/13_CNN.ipynb

@@ -15,7 +15,18 @@
    "cell_type": "markdown",
    "metadata": {
     "slideshow": {
-     "slide_type": "slide"
+     "slide_type": "subslide"
+    }
+   },
+   "source": [
+    "Splotowe sieci neuronowe, inaczej konwolucyjne sieci neuronowe (*convolutional neural networks*, CNN, ConvNet)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "slideshow": {
+     "slide_type": "subslide"
     }
    },
    "source": [