DM873: Deep Learning

Studerende, der følger kurset, forventes at:

• Være erfarne i at programmere.
• Have grundlæggende kendskab til lineær algebra.

Maskinlæring spiller en stor rolle i vores hverdag, fra simple produktanbefalinger til personlige virtuelle assistenter og selvkørende biler. I nyere tid er ”deep learning”, som et resultat af kraftigere hardware og billigere beregningskraft, blevet et populært værktøj til at lære fra komplekse og omfattende data. I dette kursus vil vi diskutere principperne bag deep learning og dets anvendelse i forskellige felter. Vi vil lære om styrkerne såvel som svaghederne bag disse dybe neurale netværker. Kurset vil give dig en dyb forståelse for emnet og lære dig at anvende de diskuterede teknikker i en lang række sammenhænge.

Kurset bygger til dels oven på den viden, der er erhvervet i kurset DM555, men kan tages af en enhver studerende inden for datalogi eller medicinsk bioinformatik.

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

• Give kompetence til at planlægge og udføre en deep learning opgave ved hjælp af dybe neurale netværker.
• Give færdigheder i de forskellige typer af deep learning metoder, inklusiv deres fordele og ulemper.
• Overføre de lærte metoder til nye sammenhænge og anvendelser.
• Udfordre den studerende med virkelige datasæt og problemløsningskompetencer.

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

• Beskrive principperne bag dybe neurale netværker i en et videnskabeligt og præcist sprog og notation.
• Analysere forskellige typer af neurale netværker, de forskellige typer af lag og samspillet mellem dem.
• Beskrive anvendeligheden af deep learning metoder til konkrete problemstillinger.
• Forstå de teoretiske matematiske principper inden for feltet.
• Anvende deep learning til at løse konkrete problemer.

Kurset indeholder følgende faglige hovedområder:

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

• Introfase (forelæsning, holdtimer) - 32 timer
• træningsfase: 16 timer, heraf 16 timer eksaminatorier

Kurset vil bestå af forelæsninger understøttet af diskussionssessioner. De studerende får tilhørende øvelser, der skal demonstrere den indsamlede viden om praktiske ´real-world´ problemer. Forløbet afsluttes med et obligatorisk projekt og diskussioner af aktuelle ´state-of-the-art´ forskningsartikler i studiefasen.

Studiefase aktiviteter:

• Små hjemmeopgaver
• Studere de nyeste udviklinger og metoder inden for deep learning ved at læse nyere videnskabelige artikler.