beskriva och tillämpa bakåtpropagering tillsammans med gradientmetoden och stokastiska gradientmetoder för att optimera en modell,
implementera från grunden ett fullt sammankopplat flerlagers neuronnät,
förklara under- och överanpassning och vad som kan göras för att undvika dessa,
jämföra och analysera olika slags regulariseringtekniker för djupa neuronnät,
använda moderna miljöer för djupinlärning för att lösa praktiska databehandlings- och analysproblem,
konstruera och analysera djupa neuronnät för bilddata, tidsseriedata och grafdata.
Kursinnehåll
Datadriven regression och klassificering, linjär klassificering, aktiveringsfunktioner, olika kostnadsfunktioner, gradientbaserad optimering med bakåtpropagering. Faltningsneuronnät (CNN). Transformers. Grafneuronnät (GNN). Storskaliga optimerings- och regulariseringstekniker för att träna djupa modeller. Olika arkitekturer och tillämpningar. Möjligheter och begränsningar med djupinlärning.
Förutsättningar
120 hp. Statistisk maskininlärning och fortsättningskurs i programmering genomgångna. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)