Logga in

Registrera

TDDE70 · Linköpings universitet

Djup maskininlärning

Ny kurs

Kom igång gratis

Inga tentor än

Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial

Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg

Kurs info

KurssidaKursplan
HP
6
Språk
Engelska
Nivå
Avancerad nivå
Fakultet
Tekniska fakulteten
Institution
Institutionen för datavetenskap

Lärandemål

  • 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).
Litteratur

Saknas

Liknande kurser vid andra universitet
Kungliga Tekniska högskolan

Kungliga Tekniska högskolan

Maskininlärning / Machine learning

DD242119 tentor
Kungliga Tekniska högskolan

Kungliga Tekniska högskolan

Matematik, fördjupning

SF271712 tentor
Kungliga Tekniska högskolan

Kungliga Tekniska högskolan

Statistisk inlärning och dataanalys

SF19309 tentor
Redo att boosta dina studier?

Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.

Kom igång gratis

Produkt

  • Priser

  • Karriär

Företag

  • Om oss

  • Blogg

  • Användarvillkor

  • Integritet

  • Support

Universitet

  • KTH

  • Uppsala universitet

  • Linköpings universitet

  • Chalmers

  • Lunds universitet

  • Luleå tekniska universitet

  • Stockholms universitet

  • Gymnasiet

Socialt

  • Instagram

  • Facebook

  • YouTube

  • TikTok

  • Linkedin

© 2026 Crash Course Sverige AB