Innehåll

Kursen introducerar huvudbegrepp inom djup maskininlärning, från grundläggande till forskningsnära. 

Detta inkluderar: Vanliga modelltyper (t.ex. MLP, CNN, RNN, Transformers); Optimering- och inlärningsalgoritmer för djupa nätverk; Representationsinlärning och självövervakad inlärning; Generativa modeller; Olika tillämpningsområden av djup maskininlärning, inom t.ex. språkbehandling och textanalys, datorseende, och naturvetenskap; Etiska överväganden och samhällsaspekter kopplade till djup maskininlärning.

Mål

Kursens övergripande mål är att ge studenten en god teoretisk förståelse samt goda praktiska färdigheter i maskininlärning baserad på djupa neuronnät.
Efter avslutad kurs ska studenten på en avancerad nivå kunna:
1. Använda centrala teoretiska begrepp för att beskriva och redogöra för skillnader mellan modeller och metoder inom djup maskininlärning
2. Använda relevanta modeller och metoder från djup maskininlärning för att formulera, strukturera och lösa praktiska problem som involverar stora och komplexa datamängder
3. Välja lämpliga utvärderingsprotokoll samt kritiskt utvärdera lösningarnas kvalitet
4. Analysera och kritisera val av modeller och metoder
5. Redogöra för etiska frågor och samhällsaspekter relaterade till djup maskininlärning.

Examinationsmoment

Examination

Organisation

Undervisningen består av föreläsningar, datorlaborationer, och projektarbete med efterföljande seminarium. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid datorlaborationer och inom projektarbetet.

Relaterade profiler

Kommentarer