"False"
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: 2018-09-03 till 2021-09-05 (nyare version av kursplanen finns)

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

Innehåll

I denna kurs behandlas designmetoder och olika algoritmer för och varianter av Deep Learning inom klassificering, prediktion, interaktion och modellering med användning av olika typer av data; ljud, bild, video, text, sekvenser. Begrepp såsom Överträning, Dropouts och Gradienter gås igenom. Installation och användning av hård- och mjukvaror för experimenterande med topologier såsom Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM) och tillhörande parametrar samt inspektion av resultatet utgör en väsentlig del av kursen. Kursen går även kortfattat igenom Dataanalys, Maskininlärning, Tensorer, Datorseende, Transfer Learning, Grunder i Robotik, Reinforcement Learning och metoder med kombinationen Deep Reinforcement Learning. Numeriska problem inom implementationer studeras kortfattat. Det är en tidsmässig fördel att ha tillgång till lämpliga beräknings(grafik)kort alternativt ha/få tillgång till motsvarande molntjänst. Man kan köra mer eller mindre lämpligt i Windows, OS X eller Linux.

Teoridel:
Metoder för Deep Learning introduceras. Genomgång av några olika typer av nät och deras hanterande samt lämpligaste användningsområden behandlas.

Laboration, seminarium och projekt:
Praktiska färdigheter i programmering i för området lämpligt språk samt användande av kodbibliotek för Deep Learning. Även alternativa möjligheter studeras och kan användas av de som har möjlighet och föredrar det. Studenterna ska medverka aktivt i forum och lösa/presentera en seminarieuppgift. Några uppgifter kan ske i grupp.

Förmågan att utforma, implementera, simulera, dokumentera, och presentera Deep Learning-nät bedöms via ett mindre projekt. Projektresultatet redovisas muntligt och skriftligt. Rapporten skall vara skriven enligt IMRAD-struktur (Introduction, Methods, Results, and Discussion) och dokumenterad kod skall lämnas in som separata filer.

 

Förväntade studieresultat

Efter genomgången kurs skall den studerande kunna:

- redogöra för centrala begrepp och metoder som används inom Deep Learning,
- kritiskt och systematiskt integrera kunskap och att analysera, bedöma och hantera komplexa företeelser hos neurala nät,
- redogöra för begränsningar och möjligheter vid Deep Learning,
- analysera konvergens och prestanda,
- visa på färdighet och fördjupad metodkunskap vid användning av programbibliotek för neurala nät,
- lösa praktiska problem med koppling till Deep Learning,
- muntligt och skriftligt klart redogöra för projektresultat,
- diskutera effekterna av Deep Learning på samhället, miljön och arbetsmarknad.

 

Behörighetskrav

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

 

Undervisningens upplägg

Undervisningen bedrivs på distans i form av inspelade instruktionsfilmer på svenska och engelska, frekvent användning av diskussionsforum, många länkar till on-line material samt handledning i samband med laborationer, grupp- och projektarbeten. Filmerna ägnas främst åt genomgång av teoriavsnitt, problemlösning och demonstrationer. Diskussion kring experimentella resultat och frågeställningar kring praktiska implementationer utgör ett fundamentalt inslag i kursen.

Examination

Kunskapsredovisningen sker genom:

Teoridel:
On-line tentamen via lärplattform under kursens gång. På tentamen sätts något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). För betyget (3) krävs minst 50 % av total poängsumma på tentamen. För betyget (4) krävs minst 65 % och för betyget (5) krävs minst 80 % av total poängsumma på tentamen.

Laboration, seminarium och projekt:
Skriftlig och muntlig redovisning av 2-3 laborationsuppgifter samt en projektuppgift. Därutöver krävs aktivt deltagande i forum och seminarium. Redovisningarna ges något av omdömena Underkänd (U), Godkänd (G) eller Väl godkänd (VG) med på förhand angivna bedömningskriterier.  Om flera studenter genomför projekt- och laborationsuppgifterna tillsammans skall en individuell bedömning säkerställas.

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 hela kursen och erhålla betyget (3) krävs betyget (3) på tentamen och omdömet (G) på laborations- och projektdelen. För kursbetyget (4) krävs betyget (4) på tentamen och omdömet (VG) på laborations- och projektdelen, alternativt betyget (5) på tentamen och omdömet (G) på laborations- och projektdelen. För kursbetyget (5) krävs betyget (5) på tentamen och omdömet (VG) på laborations- och projektdelen. Studerande som godkänts i ett prov får inte undergå förnyat prov för att få ett högre betyg.

För studerande som inte blivit godkända 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 få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). 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

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: 2020 vecka 4

    Prorok Kalle
    Kompendium om Deep Learning
    Institutionen för tillämpad fysik och elektronik : 2018 :
    Obligatorisk

    On-line-material såsom aktuella länkar till on-line-böcker, forum, kodexempel, artiklar/filmer på svenska och engelska.
    Institutionen för tillämpad fysik och elektronik :

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

  • Giltig från: 2019 vecka 3

    Prorok Kalle
    Kompendium om Deep Learning
    Institutionen för tillämpad fysik och elektronik : 2018 :
    Obligatorisk

    On-line-material såsom aktuella länkar till on-line-böcker, forum, kodexempel, artiklar/filmer på svenska och engelska.
    Institutionen för tillämpad fysik och elektronik :

    Chollet François
    Deep learning with Python
    Shelter Island, NY : Manning Publications : 2017 : xxi, 361 pages :
    ISBN: 9781617294433
    Obligatorisk
    Se Umeå UB:s söktjänst

  • Giltig från: 2019 vecka 2

    Chollet François
    Deep learning with Python
    Shelter Island, NY : Manning Publications : 2017 : xxi, 361 pages :
    ISBN: 9781617294433
    Obligatorisk
    Se Umeå UB:s söktjänst

  • Giltig från: 2018 vecka 45

    Prorok Kalle
    Kompendium om Deep Learning
    Institutionen för tillämpad fysik och elektronik : 2018 :
    Obligatorisk

    On-line-material såsom aktuella länkar till on-line-böcker, forum, kodexempel, artiklar/filmer på svenska och engelska.
    Institutionen för tillämpad fysik och elektronik :

  • Giltig från: 2018 vecka 44

    Prorok Kalle
    Kompendium om Deep Learning
    Institutionen för tillämpad fysik och elektronik : 2018 :
    Obligatorisk

    On-line-material såsom aktuella länkar till on-line-böcker, forum, kodexempel, artiklar/filmer på svenska och engelska.
    Institutionen för tillämpad fysik och elektronik :
    Obligatorisk