DM873: Deep Learning

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340031102
Censur: Ekstern prøve
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat

STADS ID (UVA): N340031101
ECTS-point: 10

Godkendelsesdato: 07-04-2025


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

Kurset er valgfrit for følgende studieordninger: Computer Science, Mathematics, Applied Math, Computational BioMedicine
Kurset samlæses med DS809: Deep Learning

Indgangskrav

Kurset kan ikke tages af studerende der har taget: DS809: Deep Learning (5 ECTS), DM568: Deep Learning (summer school) (5 ECTS), AI506 eller DS833.

Faglige forudsætninger

Studerende, der følger kurset, forventes at:

  • Have kompetencer indenfor programmering i Python
  • Have grundlæggende kendskab til lineær algebra.

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.

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 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.

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
  • autoencoders

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Efterår og januar

Udprøvninger

Portfolio

EKA

N340031102

Censur

Ekstern prøve

Bedømmelse

7-trinsskala

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Varighed

Mundtlig eksamen - 15 minutter

Hjælpemidler

1 sides noter + slides/præsentation tilladt

ECTS-point

10

Uddybende information

Portfolio eksamen bestående af to dele:
  1. to obligatoriske opgaver i løbet af kurset
  2. mundtlig eksamen
Den mundtlige eksamen består af en 5 minutters præsentation af et tilfældigt trukket emne, fra en liste af emner oplyst tidligere. Præsentationen vil blive efterfulgt at spørgsmål til emner i hele pensum inkl. opgaver.

For samlet at opnå en bestået karakter skal hhv. element 1 og 2 hver for sig leve op til målbeskrivelserne.
Bedømmelsen af element 1 finder sted i forbindelse med afviklingen af element 2. Karakteren gives med udgangspunkt i element 2, men hvor element 1 kan trække karakteren op eller ned med ét karaktertrin. 

Vejledende antal undervisningstimer

48 timer per semester

Undervisningsform

Skemalagte undervisningstimer: 

Antal undervisningstimer i alt: 48

Heraf: 

Fællestimer i klasselokale/auditorium: 48  

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.

Andre planlagte undervisningsaktiviteter:  

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

Ansvarlig underviser

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

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.