Neuronnät och lärande maskiner

Lärandemål

Efter fullföljd kurs ska studenten kunna:

• Beskriva och differentiera begreppen artificiell intelligens, maskininlärning, artificiella neurala nätverk och neuromorf teknik.
• Beskriva formella neuronmodeller och neurala nätverksarkitekturer, inklusive spikande neurala nätverk, feedforward nätverk, faltningsnätverk och återkopplade nätverk.
• Demonstrera hur neurala nätverk kan tränas, valideras och testas med övervakade och oövervakade träningsmetoder samt analysera hur olika hyperparametrar och regularisering påverkar modellers generaliseringsegenskaper.
• Utvärdera styrkor och svagheter för neurala nätverksmodeller och jämföra dessa med andra maskininlärningsmetoder som linjär och logistisk regression, i avseendena nödvändig datavolym, beräkningsbehov, bias, varians, känslighet och generalisering.
• Ge exempel på lärande maskiner med neurala nätverksprocessorer och neuromorfa system samt beskriva systemens egenskaper och motivering, inklusive etiska överväganden.
• Utveckla och utvärdera en neural nätverksmodell som löser ett ingenjörsmässigt problem, som till exempel innefattar mönsterigenkänning, klusteranalys, regression, anomalidetektering, rekommendationssystem, reinforcement learning.
• Formulera och implementera vidareutvecklade varianter av grundläggande koncept som introduceras i kursmaterialet och bedöma resultatens giltighet.