DM873: Deep Learning

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340031112, N340031102
Censur: Intern prøve, en bedømmer, Ekstern prøve
Bedømmelse: Bestået/Ikke bestået, 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat

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

Godkendelsesdato: 10-03-2020


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

Kurset er valgfrit for følgende studieordninger: Computer Science, Mathematics, Applied Math, Computational BioMedicine

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:

  • 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 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.

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

Forudsætningsprøve a)

Tidsmæssig placering

Efterår

Udprøvninger

Projekt

EKA

N340031112

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

Januar

Forudsætninger

Type Forudsætningsnavn Forudsætningsfag
Delprøve Forudsætningsprøve a) N340031101, DM873: Deep Learning

Udprøvninger

Mundtlig prøve

EKA

N340031102

Censur

Ekstern prøve

Bedømmelse

7-trinsskala

Identifikation

Studiekort

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Oplyses på kurset 

ECTS-point

10

Vejledende antal undervisningstimer

48 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • 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.

Ansvarlig underviser

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

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode