Djup maskininlärning med tillämpningar i medicinsk bildanalys, 7,5 hp

Innehåll

Denna kurs behandlar djupa faltningsnät (eng. convolutional neural networks, CNNs) för datorseende, med tillämpningar inom medicinsk bildanalys. Kursen ger en introduktion till grundläggande begrepp inom maskininlärning, beskriver neuronnätverk (eng. neural networks) och området djupinlärning eller djup maskininlärning (eng. deep learning), och fördjupar sig sedan i djupa faltningsnätverk. Kursen beskriver de olika delarna som används för att bygga upp djupa faltningsnät och behandlar bl.a. filter, aktiveringsfunktioner, förlustfunktioner; regulariseringstekniker såsom bl.a. satsnormalisering (eng. batch normalisation) och bortfall (eng. dropout); förklarar flera av de olika icke-linjära optimeringsalgoritmer som används för att träna nätverken, samt beskriver populära nätverksarkitekturer, och diskuterar deras för- och nackdelar. Kursen behandlar även generativa modeller, såsom variationsautokodare (eng. variational autoencoder, VAE) och generativa motståndarnätverk (eng. generative adversarial network, GAN).

Studenter på kursen kommer att lära sig att implementera och träna moderna nätverksarkitekturer och djupinlärningsmetoder, och att tillämpa dessa på stora bilddata både på medicinska bilder och på andra bilder.

I kursen ingår två moduler:
Teoridel 5,5 hp
Laborationsdel 2,0 hp

Förväntade studieresultat

Kunskap och förståelse

Studenten ska kunna

• Förklara och beskriva centrala begrepp inom maskininlärning, såsom t.ex. tränings- och valideringsdata, klassificering och regression, övervakad och oövervakad inlärning, bias och varians, förlustfunktion, generaliseringsfel, noggrannhet, felfrekvens. (FSR1)
• Ingående beskriva centrala begrepp inom djupinlärning, såsom t.ex. djup, inlärningshastighet, hyperparametrar, tidigt avslut, överträning, regularisering. (FSR2)
• Ingående beskriva de olika delarna i ett faltningsnätverk samt deras syfte, såsom lager, noder, aktiveringsfunktion, bortfall, förlustfunktion, residualkopplingar. (FSR3)
• Beskriva stokastiska gradientmetoden, dess fördelar, samt de huvudsakliga skillnaderna mellan den och andra optimeringsalgoritmer som vanligen används för att ställa in nätverksparametrar. (FSR4)
• Ingående beskriva några av de vanligaste arkitekturerna och modellerna som används, samt redogöra för vilka de huvudsakliga fördelarna är med de olika arkitekturerna. (FSR5)

Färdigheter och förmågor

Studenten ska kunna

• Självständigt designa och utforma lämpliga nätverksarkitekturer, samt använda dessa i tillämpningar för t.ex. klassificering eller regression. (FSR6)
• Använda moderna mjukvarubibliotek för att bygga upp och träna djupa faltningsnätverk för att lösa specifika uppgifter. (FSR7)
• Utvärdera och jämföra prestanda och generalisering för djupa faltningsnätverk. (FSR8)

Värderingsförmåga och förhållningssätt

Studenten ska kunna

• Reflektera över och redogöra för hur moderna maskininlärnings- och djupinlärningsmetoder påverkar människor, företag och samhället i stort. (FSR9)
• Reflektera över tillståndet för fältet djupinlärning och dess plats inom maskininlärning samt i grova drag redogöra för var fältet artificiell intelligens befinner sig i dag. (FSR10)
• På ett vetenskapligt sätt värdera olika lösningars för- och nackdelar. (FSR11)
• Kritiskt granska resultat eller utsagor från andra studier, eller t.ex produkter, som endera baseras på djupinlärning eller på annat sätt använder sig av det. (FSR12)

Behörighetskrav

Univ: För tillträde till kursen krävs 90 hp avklarade studier i något av huvudområdena datavetenskap, fysik, elektronik, kemi, matematik eller matematisk statistik, eller 2 års avklarade studier (120 hp). Av dessa poäng krävs minst 7,5 hp i grundläggande programmeringsmetodik inom Python, C, och/eller Matlab, minst 7,5 hp som behandlar Datastrukturer och algoritmer, minst 7,5 hp som behandlar Linjär algebra, minst 7,5 hp som behandlar analys med begrepp som derivata och gränsvärden, minst 7,5 hp som behandlar matematisk statistik, eller motsvarande kunskaper. Engelska A/6 om kursen ges på engelska.

Undervisningens upplägg

Undervisningen är campusbaserad och bedrivs i form av föreläsningar och datorlaborationer. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet. Det är studentens ansvar att i tid sätta sig in i materialet och förbereda eventuella frågor för att kunna få lämplig feedback. Undervisningen kan ske på engelska.

Examination

Modul 1 (Teoridel 5,5 hp, FSR 1-5, 9-12): Modulen examineras med skriftlig tentamina. Betyget på modulen bedöms med Underkänd (U), Godkänd (G) eller Väl godkänd (VG).
Modul 2 (Laborationsdel 2,0 hp, FSR 6-8): Modulen examineras individuellt med skriftliga uppgifter, med något av betygen Underkänd (U) eller Godkänd (G).

På hela kursen ges något av betygen Underkänd (U), Godkänd (G), Väl godkänd (VG). Betyget baseras på det betyg som erhölls på modul 1 och beslutas först när kursens samtliga prov är genomförda och betyg på båda modulerna är beslutade.

Student som erhållit godkänt resultat på ett prov får ej genomgå förnyat prov.

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, och som har erhållit ett beslut om rätt till stöd från samordnare för studenter med funktionsnedsättning vid Studentcentrum, ska senast 10 dagar innan examinationen begära anpassning hos kursansvarig institution. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Övriga föreskrifter

I det fall att kursplan upphör att gälla eller genomgår större förändringar, garanteras studenter minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt föreskrifterna i den kursplan som studenten ursprungligen varit kursregistrerad på under en tid av maximalt två år från det att tidigare kursplan upphört att gälla.