Budgetår
Institution
IDAExaminator
Fredrik LindstenSchemablock
HalvterminVT2: block 1
Huvudområden
DatateknikDatavetenskap
Informationsteknologi
Nivå
A1FTidsfördelning
6,0HPSchemalagd tid: 42 timmar
Självstudietid: 118 timmar
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
LAB1 - 2,0 HPDatorbaserade laborationsuppgifter (U, G)
DIT1 - 2,0 HP
Digital tentamen (U, 3, 4, 5)
UPG1 - 2,0 HP
Miniprojekt (U, 3, 4, 5)
Examination
LAB1 består av datorlaborationer som prövar studenternas förmåga att omsätta teoretisk kunskap till praktisk problemlösning.
DIT1 är en digital tentamen som prövar studenternas teoretiska kunskaper.
UPG1 är ett miniprojekt som prövar studenternas förmåga att omsätta teoretiska kunskaper till praktiska färdigheter och att lösa komplexa problem med djup maskininlärning.
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
Datorseende och Signalanalys
DSA - ISY |
Kommentarer
Logga in för att kunna läsa och skriva kommentarer. |