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

15020001 (tidligere UVA) er identisk med denne kursusbeskrivelse. 


Indgangskrav

Ingen

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

Se BlackBoard for pensumlister og yderligere litteraturhenvisninger.

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)

Eksamenslement 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

36 timer per semester

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

Ansvarlig underviser

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

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi, fiktiv)

Team hos Registrering & Legalitet

NAT

Anbefalede studieforløb

Profil Program Semester Periode