DS809: Deep Learning
Kommentar
Indgangskrav
Kurset kan ikke følges af studerende der har bestået enten DM873: Deep Learning (10 ECTS), DM568: Deep Learning (summer school) (5 ECTS), AI506 eller DS833.
Faglige forudsætninger
Studerende, der følger kurset, forventes at
- Have grundlæggende kendskab til lineær algebra.
- Have grundlæggende kendskab til programmering
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 DM566 eller DS804.
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.
- 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
Litteratur
Eksamensbestemmelser
Forudsætningsprøve a)
Tidsmæssig placering
Udprøvninger
Projekt
EKA
Censur
Bedømmelse
Identifikation
Sprog
Hjælpemidler
Oplyses på kurset.
ECTS-point
Uddybende information
Eksamenselement a)
Tidsmæssig placering
Forudsætninger
Type | Forudsætningsnavn | Forudsætningsfag |
---|---|---|
Delprøve | Forudsætningsprøve a) | N340074101, DS809: Deep Learning |
Udprøvninger
Mundtlig eksamen
EKA
Censur
Bedømmelse
Identifikation
Sprog
Hjælpemidler
Oplyses på kurset.
ECTS-point
Vejledende antal undervisningstimer
Undervisningsform
På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.
- Introfase 24 timer
- Træningsfase 12 timer, heraf eksaminatorier 12 timer
Kurset vil bestå af forelæsninger understøttet af diskussionssessioner. De studerende får øvelser, hvor de skal demonstrerer, at de kan bruge den indsamlede viden om praktiske problemer i den virkelige verden. Aktuelle moderne afhandlinger vil blive drøftet i studiefasen.Kurset afsluttes med et obligatorisk projekt.
Aktiviteter i studiefasen:
- Små hjemmeopgaver
- Studere de nyeste udviklinger og metoder inden for deep learning ved at læse nyere videnskabelige artikler