DM863: Deep Learning (5 ECTS)
STADS: 15020001Niveau
Kandidatkursus
Undervisningsperiode
Kurset er placeret i forårssemesteret.
Ansvarlige undervisere
Ingen ansvarlige undervisere angivet, kontakt eventuelt instituttet
Skemaoplysninger
Der er ingen skemaoplysninger for den valgte periode.
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.
Kurset indeholder følgende faglige hovedområder:
- feedforward neural networks
- recurrent neural networks
- convolutional neural networks
- backpropagation-algoritmen
- regularisering
- faktoranalyse
Der er i øjeblikket ikke angivet nogle materialer for kurset.
Kursets hjemmeside
Dette kursus benytter e-learn (blackboard).
Forudsætningsprøver
- Obligatoriske opgaver. Bestået/ikke-bestået, intern censur ved underviser. Forudsætningsprøven er en forudsætning for deltagelse i eksamenselement a). (15020012).
- Mundtlig eksamen. Ekstern censur, 7-trinsskala. Nærmere beskrivelse af eksamensreglerne vil blive offentliggjort under 'Course Information' på kursets side i Blackboard. (5 ECTS). (15020002).
På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.
Introfase: 24 timer
Træningsfase: 12 timer, heraf:
- Eksaminatorie: 12 timer
Aktiviteter i studiefasen
- Små hjemmeopgaver
- Studere de nyeste udviklinger og metoder inden for deep learning ved at læse nyere videnskabelige artikler
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.
Sprog
Dette kursus undervises på dansk eller engelsk, afhængigt af underviseren. Dog altid på Engelsk ved deltagelse af internationale studerende.
Kursustilmelding
Se tilmeldingsfrister.
Pris for åben uddannelse
Se priser for enkeltkurser.
Dette er den nyeste version af en kursusbeskrivelse, som trådte i kraft den 1. feb 2018.
