Djup maskininlärning, 7,5 hp

Innehåll

Kursen behandlar neuronnätverk (neural networks) och ger en introduktion till forskningsfältet djup maskininlärning (deep learning). Kursen beskriver de delar som används för att konstruera djupa neuronnätverk och behandlar bland annat aktiveringsfunktioner, förlustfunktioner, regulariseringstekniker (t.ex. normalisering och bortfall), optimeringsmetoder (speciellt varianter av stokastiska gradientmetoden) och nätverksarkitekturer. Kursen behandlar även djupa generativa modeller. Studenterna lär sig även tillämpa den teoretiska kunskapen genom att implementera och träna moderna nätverksarkitekturer och djupa maskininlärningsmetoder på stora mängder data.

Kursen är uppdelad i två moduler:

• Teori, 5,5 hp
• Laboration, 2,0 hp

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

• (FSR 1) ingående beskriva centrala begrepp inom djup maskininlärning, till exempel djup, inlärningshastighet, hyperparametrar, tidigt avslut, överträning och regularisering;
• (FSR 2) ingående beskriva och förklara syftet med de olika delarna i ett neuronnätverk, till exempel noder, aktiveringsfunktion, bortfall, förlustfunktion och residualkopplingar;
• (FSR 3) beskriva stokastiska gradientmetoden och bakåtpropageringsalgoritmen, samt de parametrar som påverkar resultatet av träningen;
• (FSR 4) ingående beskriva de arkitekturer och modeller som vanligen används, samt redogöra för arkitekturernas huvudsakliga för- och nackdelar.

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

• (FSR 5) självständigt utforma nätverksarkitekturer och välja aktiveringsfunktioner och andra hyperparametrar för att på ett lämpligt sätt lösa ett givet problem;
• (FSR 6) använda moderna programvarubibliotek för att bygga, träna och använda djupa neuronnätverk i en given tillämpning;
• (FSR 7) vetenskapligt utvärdera och jämföra djupa maskininlärningsmodellers prestanda och generaliseringsförmåga.

Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska studenten kunna:

• (FSR 8) värdera hur lämpligt det är att använda diverse djupa maskininlärningsmodeller för att lösa ett givet problem;
• (FSR 9) diskutera hur djup maskininlärning kan påverka människor, miljön och samhället;
• (FSR 10) diskutera aktuell status inom forskningsområdet djup maskininlärning och dess plats inom det större området maskininlärning, samt i grova drag hur området förhåller sig till forskningsområdet artificiell intelligens;
• (FSR 11) kritiskt granska resultat och utsagor relaterade till djup maskininlärning.

Behörighetskrav

Minst 90 hp varav minst 60 hp datavetenskap eller minst 120 hp inom ett program. Minst 7,5 hp programmering, 7,5 hp datastrukturer och algoritmer, 7,5 hp linjär algebra, 7,5 hp matematisk analys (företrädesvis differentialkalkyl), 7,5 hp matematisk statistik och sannolikhetslära, 7,5 hp maskininlärning. Engelska för grundläggande behörighet för högskolestudier.

Undervisningens upplägg

Undervisningen sker i form av föreläsningar och datorlaborationer. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet.

Examination

Modul 1 (Teori, 5,5 hp) examineras genom skriftlig salstentamen. På modulen används betygsskalan Väl Godkänd (VG), Godkänd (G), Underkänd (U).

Modul 2 (Laboration, 2,0 hp) omfattar FSR 5-7 och examineras genom skriftliga inlämningsuppgifter. På modulen används betygsskalan Godkänd (G), Underkänd (U).

På kursen som helhet används betygsskalan Väl Godkänd (VG), Godkänd (G), Underkänd (U) och betyget bestäms av betyget på Modul 1.

Anpassad examination
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos Institutionen för datavetenskap. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Övriga föreskrifter

Om kursplanen har upphört att gälla eller kursen slutat erbjudas garanteras en student som någon gång registrerats på kursen minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt denna kursplan under en tid av maximalt två år från det att kursplanen upphört att gälla eller kursen slutat erbjudas.