Kursplan - Djupinlärning och neurala nätverk
Omfattning
7.5 hp
Kurskod
DVA307
Giltig från
Hösttermin 2022
Utbildningsnivå
Grundnivå
Successiv fördjupning
G2F (Grundnivå, har minst 60 hp kurs/er på grundnivå som förkunskapskrav).
Huvudområde(n)
Datavetenskap
Akademi
Akademin för innovation, design och teknik
Fastställd
2022-01-24
Litteraturlistor
Kurslitteraturen är preliminär till 8 veckor innan kursstart. Kurslitteratur kan vara giltig över flera terminer.
-
Referenslitteratur
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 LIBRIS-ID: kwlh71x0hxh5fbf2
Syfte
Kursens syfte är att behandla grunderna i djupinlärning, inklusive viktiga delar såsom feedforward neuronnät, konvolutionella neuronnät, återkopplande neuronnät. Djupinlärning är ett nytt ämne och ingår i maskininlärning, som i sin tur är en del av artificiell intelligens. Ett annat syfte med kursen är visa på hur nya idéer och teorier utvecklas inom AI genom att analysera uppkomsten av djupinlärning.
Lärandemål
Efter avslutad kurs ska studenten kunna:
1. förstå hur olika typer av djupinlärningsalgoritmer är uppbyggda och fungerar,
2. tillämpa djupinlärning av neuronnät för att lösa lämpliga problem,
3. tillämpa konvolutionella neuronnät för att lösa problem inom datorseende,
4. tillämpa återkopplande neuronnät för att lösa problem inom tidsserienalys,
5. tillämpa autoencoders på problem inom icke-väglett lärande,
6. tillämpa generativa neuronnät på olika typer av problem samt
7. analysera och förklara hyperparametrarna i djupinlärning av neuronnät, samt relatera olika konfigurationer till varandra i kontextet av att lösa olika typer av problem.
Innehåll
- Introduktion till djupinlärning genom en översiktlig genomgång och en analys av de mer centrala algoritmerna.
- Introduktion till tillämpningar utav djupinlärning och dess betydelse för olika tillämpningsområden.
- En genomgång av specifika djupinlärningsalgoritmer såsom djupinlärning av neuronnät, återkopplade neuronnät, autoencoder, och generativa neuronnät.
Särskild behörighet
Avslutade kurser om 60 hp datavetenskap vari ingår Programmering 7,5 hp, Datastrukturer, algoritmer och programkonstruktion 7,5 hp och Artificiell intelligens 1 7,5 hp. Dessutom krävs vektoralgebra, grundkurs 7,5 hp och kalkyl, grundkurs 7.5 hp.
Examination
Laboration 1 (LAB1), en programmeringsuppgift som ska demonstreras och presenteras med en rapport, 1,5 hp, examinerar lärandemål 1, 2, och 7, betyg Underkänd (U), 3, 4 eller 5.
Laboration 2 (LAB2), en programmeringsuppgift som ska demonstreras och presenteras med en rapport, 1,5 hp, examinerar lärandemål 1, 3, och 7, betyg Underkänd (U), 3, 4 eller 5.
Laboration 3 (LAB3), en programmeringsuppgift som ska demonstreras och presenteras med en rapport, 1,5 hp, examinerar lärandemål 1, 4, och 7, betyg Underkänd (U), 3, 4 eller 5.
Laboration 4 (LAB4), en programmeringsuppgift som ska demonstreras och presenteras med en rapport, 1,5 hp, examinerar lärandemål 1, 5, och 7, betyg Underkänd (U), 3, 4 eller 5.
Laboration 5 (LAB5), en programmeringsuppgift som ska demonstreras och presenteras med en rapport, 1,5 hp, examinerar lärandemål 1, 6, och 7, betyg Underkänd (U), 3, 4 eller 5.
En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.
Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.
Betyg
Med beröm godkänd, icke utan beröm godkänd, godkänd, underkänd
Övergångsbestämmelser och övriga föreskrifter
Kursen bidrar till att uppfylla examenskravet om minst 75 hp inom huvudområdet datavetenskap med inriktning intelligenta system för teknologie kandidatexamen i datavetenskap med inriktning intelligenta system.