DM568: Deep Learning

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N330026102
Censur: Intern prøve, en bedømmer
Bedømmelse: Bestået/Ikke bestået
Udbudssteder: Odense
Udbudsterminer: Sommerkursus (efterår)
Niveau: Bachelor

STADS ID (UVA): N330026101
ECTS-point: 5

Godkendelsesdato: 01-04-2020


Varighed: 1 semester

Version: Arkiv

Kommentar

Kurset er en del af 'Summer School' og er også for udenlandske studerende, afholdes i ugerne 32-33.
Kurset samlæses med DS833: Deep Learning for Data Science (5 ECTS) sommerkursus.

Indgangskrav

Kurset kan ikke følges af studerende der har bestået enten DM863: Deep Learning (5 ECTS), DM873: Deep Learning (10 ECTS), DS809: Deep Learning (5 ECTS) eller DS833.

Faglige forudsætninger

Studerende, der følger kurset, forventes at:

  • Være erfarne i at programmere (python).
  • Have grundlæggende kendskab til lineær algebra.
  • Have viden svarende til to års bachelorstudie i datalogi.

Formål

Machine learning er blevet en del af hverdagen, fra simple produktanbefalinger over personlige elektroniske assistenter til selvkørende biler. Især deep learning har tiltrukket sig stor interesse i medierne og har demonstreret imponerende resultater. Dette intensive kursus vil introducere den studerende til deep learning. Vi vil lære om den teoretiske baggrund og begreberne som ligger bag deep learning, og vil møde og diskutere de centrale anvendelser af deep learning, samt metodens begrænsninger. Alt stof vil blive bragt i direkte anvendelse via øvelser og programmeringsopgaver.

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

  • Give viden om et udvalg af specialiserede modeller og metoder udviklet inden for datalogi baseret på højeste internationale forskning, samt viden om datalogiske modeller og metoder beregnet til anvendelser i andre faglige områder.
  • Give færdigheder i at beskrive, analysere og løse datalogiske problemstillinger ved hjælp af de lærte modeller, analysere fordele og ulemper ved forskellige datalogiske metoder, samt udvikle nye varianter af de lærte metoder, hvor det konkrete problem kræver det.
  • Give kompetence til planlægge og udføre videnskabelige projekter på højt fagligt niveau.

Målbeskrivelse

For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evnen til at:

  • Beskrive principperne bag deep neural networks i præcist og videnskabeligt sprog og notation.
  • Analysere forskellige typer af neurale netværk, deres lag og disses interaktion.
  • Diskutere anvendeligheden af deep learning metoder for konkrete problemer.
  • Beskrive den teoretiske matematiske baggrund for området.
  • Implementere og anvende deep learning frameworks til løsning af konkrete problemstillinger.
  • Anvende state-of-the-art deep learning frameworks til at implementere deep neural networks.

Indhold

Kurset indeholder følgende faglige hovedområder:

  • feedforward neural networks
  • recurrent neural networks
  • convolutional neural networks
  • backpropagation-algoritmen
  • regularisering

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Juli/august

Udprøvninger

Projektopgave

EKA

N330026102

Censur

Intern prøve, en bedømmer

Bedømmelse

Bestået/Ikke bestået

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Oplyses på kurset

ECTS-point

5

Uddybende information

Reeksamen er en ny opgave der afleveres i itslearning, foregår oftest i september måned.

Vejledende antal undervisningstimer

60 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • Introfase (forelæsning) - Antal timer: 24
  • træningsfase: Antal timer: 36, heraf 18 timer laboratorieøvelser og 18 timer eksaminatore 

The course will consist of frontal lectures supported by a discussion session followed by an accompanying exercise or lab session. Here, the students are supposed to directly transfer their acquired knowledge into practice by solving problems of increasing difficulty.

Studiefaseaktiviteter: De studerende skal arbejde sammen i små grupper og gennemgå kursusmaterialet og læse de tilhørende kapitler til næste forelæsningsdag.

Ansvarlig underviser

Navn E-mail Institut
Richard Röttger roettger@imada.sdu.dk Data Science

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode