Kursens övergripande mål är att ge studenten en god teoretisk förståelse samt goda praktiska färdigheter i maskininlärning baserad på djupa neuronnät. Efter avslutad kurs ska studenten på en avancerad nivå kunna: 1. Använda centrala teoretiska begrepp för att beskriva och redogöra för skillnader mellan modeller och metoder inom djup maskininlärning 2. Använda relevanta modeller och metoder från djup maskininlärning för att formulera, strukturera och lösa praktiska problem som involverar stora och komplexa datamängder 3. Välja lämpliga utvärderingsprotokoll samt kritiskt utvärdera lösningarnas kvalitet 4. Analysera och kritisera val av modeller och metoder 5. Redogöra för etiska frågor och samhällsaspekter relaterade till djup maskininlärning.
Kursinnehåll
Kursen introducerar huvudbegrepp inom djup maskininlärning, från grundläggande till forskningsnära. Detta inkluderar: Vanliga modelltyper (t.ex. MLP, CNN, RNN, Transformers); Optimering- och inlärningsalgoritmer för djupa nätverk; Representationsinlärning och självövervakad inlärning; Generativa modeller; Olika tillämpningsområden av djup maskininlärning, inom t.ex. språkbehandling och textanalys, datorseende, och naturvetenskap; Etiska överväganden och samhällsaspekter kopplade till djup maskininlärning.
Förutsättningar
En- och flervariabelanalys, linjär algebra, statistik, optimering och programmering. Grundläggande maskininlärning (minst 6hp) inkluderande neuronnät. Programmering i Python samt erfarenhet av programmering för numerisk problemlösning och linjär algebra (t.ex. via NumPy, Matlab eller Julia).