Deep Learning - metoder och tillämpningar, 7,5 hp

Innehåll

Kursen introducerar tekniker och teorier inom djupinlärning, där fokus ligger på praktiska tillämpningar inom områden som till exempel bildigenkänning, prediktion av tidsserier, textklassificering och processtyrning. Under kursens gång kommer ett antal djupinlärningsmodeller att behandlas, exempelvis faltningsnät, återkopplade nät och förstärkt inlärning. Vi kommer att studera olika former av inlärning såsom övervakad, oövervakad, självövervakad, förstärkt och överförd inlärning. Möjliga användningsområden och begränsningarna hos dessa djupinlärningsmodeller kommer att behandlas, och deras implementation kommer att undersökas med hjälp av programmeringsuppgifter. Kursen tar även upp möjliga effekter på samhället, miljön och arbetsmarknaden som introduktionen av maskininlärningsbaserade system kan leda till.

Förväntade studieresultat

För att uppfylla målen för kunskap och förståelse ska den studerande efter genomgången kurs kunna:
● redogöra för centrala begrepp och metoder som används inom
maskininlärning, (FSR 1)
● på grundläggande nivå förklara hur olika
maskininlärningsmodeller generaliserar utifrån träningsexempel,
(FSR 2)
● kategorisera utvalda maskininlärningsalgoritmer utifrån relevanta
aspekter (FSR 3)
● förklara styrkorna och begränsningarna för utvalda algoritmer och
modeller för maskininlärning. (FSR 4)

För att uppfylla målen för färdighet och förmåga ska den studerande efter genomgången kurs kunna:
● utforma och implementera lämpliga maskininlärningslösningar till
givna uppgifter i ett programmeringsspråk lämpat för
maskininlärning, (FSR 5)
● tillämpa några moderna utvecklingsmiljöer och mjukvarubibliotek
för att realisera en maskininlärningsuppgift, (FSR 6)
● utvärdera prestanda för maskininlärningsalgoritmer med
avseende på lämpliga mätvärden och jämföra dem med teoretiska
förväntningar. (FSR 7)

För att uppfylla målen för värderingsförmåga och förhållningssätt ska den studerande efter genomgången kurs kunna:
● självständigt analysera fördelarna och nackdelarna med olika
maskininlärningsmodeller utifrån en given tillämpning. (FSR 8)
● med tydligt stöd i aktuell forskning reflektera kring effekterna
som kan uppstå vid tillämpning av maskininlärningsbaserade
system på samhället, miljön och arbetsmarknad och argumentera
för sin lösning. (FSR 9)

Behörighetskrav

För tillträde till kursen krävs minst 7,5 hp inom området Programmering eller motsvarande.

Undervisningens upplägg

Undervisningen sker på distans och bedrivs i form av webbaserade genomgångar, där även förinspelade föreläsningar förekommer. Laborationer och projekt sker individuellt med tillgång till handledning. Reflektionsuppgiften sker via diskussionsforum.

Examination

Examination sker individuellt genom webbaserade kunskapstest, skriftlig redovisning av laborationerna, ett mindre projekt, och en skriftlig reflektionsuppgift. Det webbaserade kunskapstestet kan utgöras av ett test som genomförs vid ett tillfälle, eller delas upp i två eller flera mindre deltest som genomförs vid olika tillfällen under kursens gång. På kunskapstesten och reflektionsuppgiften sätts något av betygen underkänd (U) eller godkänd (G). På laborationerna och projektet sätts något av betygen U, G eller väl godkänd (VG).

Kursen som helhet använder betygsskalan Underkänd (U), Godkänd (G) eller Väl Godkänd (VG). För att bli godkänd (G) på kursen krävs att samtliga obligatoriska moment är godkända. För betyg VG gäller samma som för betyg G samt att man dessutom ska ha erhållit högre poäng genom fördjupade uppgifter på laborationerna och projektet, så att man uppnår minst 80% av kursens totalpoäng. Alla examinerande moment bidrar till totalpoängen.

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

För studerande som inte blivit godkänd vid ordinarie provtillfälle anordnas förnyat provtillfälle i enlighet med Umeå universitets Regler för betyg och examination på grund- och avancerad nivå (FS 1.1-574-22). Det första omprovet erbjuds senast två månader efter ordinarie provtillfälle. Undantaget de fall då ordinarie prov äger rum i maj eller juni månad, då erbjuds i stället ett första omprovstillfälle inom tre månader efter ordinarie provtillfälle. Dessutom erbjuds ytterligare minst ett omprov inom ett år från ordinarie provtillfälle. I de fall prov inte kan upprepas enligt gällande regler för omprov ska det i stället ersättas med annan uppgift. Omfattningen av och innehållet i sådan uppgift ska stå i rimlig proportion till det missade provet.

En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (6 kap. 22 §, HF). Begäran om ny examinator ställs till prefekten vid institutionen för tillämpad fysik och elektronik.

Tillgodoräknande
Tillgodoräknande prövas individuellt. I en examen får denna kurs ej ingå tillsammans med annan kurs med likartat innehåll. Vid osäkerhet bör den studerande rådfråga studievägledaren vid Institutionen för tillämpad fysik och elektronik.

Övriga föreskrifter

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 kursansvarig institution. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Övergångsbestämmelser

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 eller kursen slutat erbjudas.