DM863: Deep Learning
Det Naturvidenskabelige Studienævn
Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340039112, N340039102
Censur: Intern prøve, en bedømmer, Ekstern prøve
Bedømmelse: Bestået/Ikke bestået, 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Forår
Niveau: Kandidat
STADS ID (UVA): N340039101
ECTS-point: 5
Godkendelsesdato: 26-10-2018
Varighed: 1 semester
Version: Arkiv
Kommentar
Indgangskrav
Faglige forudsætninger
Studerende, der følger kurset, forventes at:
- Være erfarne i at programmere.
- Have grundlæggende kendskab til lineær algebra.
Formål
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 kompleks 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.
Målbeskrivelse
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.
Indhold
Kurset indeholder følgende faglige hovedområder:
- feedforward neural networks
- recurrent neural networks
- convolutional neural networks
- backpropagation-algoritmen
- regularisering
- faktoranalyse
Litteratur
Eksamensbestemmelser
Forudsætningsprøve a)
Tidsmæssig placering
Forår
Udprøvninger
Obligatoriske opgaver
EKA
N340039112
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
0
Uddybende information
Forudsætningsprøven er en forudsætning for deltagelse i eksamenselement a)
Eksamenselement a)
Tidsmæssig placering
Juni
Forudsætninger
Type | Forudsætningsnavn | Forudsætningsfag |
---|---|---|
Delprøve | Forudsætningsprøve a) | N340039101, DM863: Deep Learning |
Udprøvninger
Mundtlig prøve
EKA
N340039102
Censur
Ekstern prøve
Bedømmelse
7-trinsskala
Identifikation
Studiekort
Sprog
Følger, som udgangspunkt, undervisningssprog
Hjælpemidler
Oplyses på kurset
ECTS-point
5
Uddybende information
Eksamensformen ved reeksamen kan være en anden end eksamensformen ved den ordinære eksamen.
Vejledende antal undervisningstimer
Undervisningsform
På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.
Introfase: 24 timer
Træningsfase: 12 timer, heraf:
- Eksaminatorie: 12 timer
Kurset vil bestå af foredrag, der understøttes af diskussioner. De studerende får opgaver, der omhandler den samlede viden om praktiske og realistiske problemstillinger. Løsningen af opgaver afsluttes med et obligatorisk projekt og diskussioner om aktuelle state-of-the-art artikler.
Aktiviteter i studiefasen
- Små hjemmeopgaver
- Studere de nyeste udviklinger og metoder inden for deep learning ved at læse nyere videnskabelige artikler