Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Kursplan:

Deep Learning - metoder och tillämpningar, 7,5 hp

Engelskt namn: Deep Learning - methods and applications

Denna kursplan gäller: 2021-09-06 och tillsvidare

Kurskod: 5TF078

Högskolepoäng: 7,5

Utbildningsnivå: Grundnivå

Huvudområden och successiv fördjupning: Medieteknik: Grundnivå, har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav

Betygsskala: TH teknisk betygsskala

Beslutad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2018-10-09

Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2021-09-08

Innehåll

Kursen introducerar tekniker och teorier inom djupinlärning, där fokus ligger på praktiska tillämpningar. Under kursens gång kommer ett antal djupinlärningsmodeller att behandlas, exempelvis faltningsnät, återkopplade nät och förstärkt inlärning. Möjliga användningsområden och begränsningarna hos dessa algoritmer kommer att diskuteras, och deras implementation kommer att undersökas med hjälp av programmeringsuppgifter.

Förväntade studieresultat

Efter genomgången kurs skall den studerande kunna:

Kunskap och förståelse
*    redogöra för centrala begrepp och metoder som används inom maskininlärning, (FSR 1)
*    förklara i stora drag hur olika maskininlärningsmodeller generaliserar utifrån träningsexempel, (FSR 2)
*    kategorisera utvalda maskininlärningsalgoritmer utifrån olika aspekter, såsom övervakad / oövervakad / halvövervakad / förstärkt inlärning,
     överförd inlärning, klassificering / regression / klustring, (FSR 3)
*    förklara styrkorna och begränsningarna för utvalda algoritmer / modeller för maskininlärning och hur de kan tillämpas i olika applikationer som
    exempelvis bildigenkänning och textklassificering. (FSR 4)

Färdigheter och förmåga
*    utforma och implementera lämpliga maskininlärningslösningar till givna uppgifter (t ex klassificera bilder, analysera text, eller styra agenter i
     virtuella miljöer) 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 när det gäller lämpliga mätvärden (t.ex. noggrannhet, felfrekvens, känslighet, precision,
     recall etc.) och jämföra dem med teoretiska förväntningar. (FSR 7)

Värderingsförmåga och förhållningssätt
*    diskutera fördelarna och nackdelarna med olika maskininlärningsmodeller utifrån en given tillämpning,  (FSR 8)
*    resonera kring effekterna som kan uppstå vid tillämpning av maskininlärningsbaserade system på samhället, miljön och arbetsmarknad.
     (FSR 9)

Behörighetskrav

För tillträde till kursen krävs minst 7,5 hp inom området Programmering eller motsvarande. Programspråket i kursen är Python, så kunskaper inom Python är fördelaktiga.
Svenska för grundläggande behörighet för högskolestudier om utbildningen ges på svenska.

Undervisningens upplägg

Undervisningen sker på distans och bedrivs i form av praktiska laborationer med tillgång till handledning. Förinspelade föreläsningar och/eller seminarieforum kan förekomma.

Examination

Examination sker genom skriftlig tentamen, redovisning av ett flertal laborationer och seminarium.
Skriftlig tentamen: Betygsskala Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5) (FSR 1, FSR 2, FSR 3)
Redovisning av laborationer: Betygsskala Underkänd (U), Godkänd (G) eller Väl Godkänd (VG) (FSR 2, FSR 4, FSR 5, FSR 6, FSR 7, FSR 8)
Seminarium: Betygsskala Underkänd (U) eller Godkänd (G). (FSR 9)

Hela kursen:
På hela kursen ges något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). För att bli godkänd på kursen krävs att samtliga prov och obligatoriska moment är godkända.

För att få ett högre betyg än 3 på kursen gäller följande:
 - För att få betyget 5 på kursen krävs betyg VG från laborationerna och betyg 5 från tentamen.
 - För att få betyg fyra på kursen krävs antingen betyg VG från laborationerna och betyg 4 från tentamen eller betyg G från laborationerna och betyg 5 från tentamen.

Studerande som godkänts vid ett prov får ej undergå förnyat prov för ett högre betyg.

För studerande som inte blivit godkänd erbjuds ytterligare provtillfällen enligt ett fastställt schema. En student, som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att skriftligen ansöka om att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Ansökan om ny examinator ställs till prefekten vid Institutionen för tillämpad fysik och elektronik.

Avsteg från kursplanens examinationsform kan göras för en student som har beslut om pedagogiskt stöd på grund av funktionsnedsättning. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Efter begäran av studenten ska kursansvarig lärare, i samråd med examinator, skyndsamt besluta om anpassad examinationsform. Beslutet ska sedan meddelas studenten.

Tillgodoräknande
Tillgodoräknande prövas individuellt. I en examen får denna kurs ej ingå tillsammans med annan kurs med likartat innehåll. Vid osäkerhet om detta och för mer information angående tillgodoräknande bör den studerande rådfråga studievägledaren vid institutionen för tillämpad fysik och elektronik.

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.

Litteratur

Giltig från: 2021 vecka 36

Aurélien Géron
"Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition" [Elektronisk resurs]
2019 :

Géron Aurélien
Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems
Second edition : Sebastopol, CA : O'Reilly Media, Inc. : 2019 : xxv, 819 pages :
ISBN: 9781492032649
Se bibliotekskatalogen Album