Introduktion till artificiella neuronnätverk och deep learning
Introduction to Artificial Neural Networks and Deep Learning

EXTQ41, 7.5 högskolepoäng, A (Avancerad nivå)

Gäller för: 2025/26
Fakultet: Lunds tekniska högskola
Beslutad av: Programledning F/Pi
Beslutsdatum: 2025-04-10
Ikraftträdande: 2025-05-05

Allmänna uppgifter

Huvudområde: Maskininlärning, system och reglerteknik Fördjupning: Avancerad nivå, kurs/er som inte kan klassificeras
Obligatorisk för: MMSR1
Valfri för: C4, D4-bg, D4-mai, E4-sb, E4-se, F4, F4-tf, F4-mai, I4, L4-gi, MFOT1, N4, Pi4-ssr, Pi4-bam
Undervisningsspråk: Kursen ges på engelska

Syfte

Kursens övergripande syfte är att studenterna ska tillägna sig grundläggande kunskaper om artificiella neuronnätverk och djupinlärning, både teoretiska kunskaper och praktiska erfarenheter av användning för typiska problem inom maskininlärning och datautvinning.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

• kunna i detalj redogöra för funktionen och träningen av mindre artificiella neuronnät,
• kunna förklara innebörden av överinlärning och utförligt beskriva olika tekniker som kan användas för att undvika överinlärning,
• kunna översiktligt beskriva olika typer av djupa neuronnät.

Färdighet och förmåga
För godkänd kurs skall studenten

• kunna självständigt formulera matematiska funktioner och ekvationer som beskriver enkla artificiella neuronnät,
• kunna självständigt implementera artificiella neuronnät för att lösa enkla klassificerings- eller regressionsproblem,
• kunna systematiskt optimera databaserad träning av artificiella neuronnät för att uppnå god generalisering,
• kunna använda och modifiera djupa nätverk för avancerad dataanalys.

Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten

• kunna kritiskt granska en dataanalys med artificiella neuronnät och identifiera eventuella luckor som kan påverka dess reproducerbarhet.

Kursinnehåll

Kursen behandlar de vanligaste modellerna inom området artificiella neuronnät med fokus på den flerlagriga perceptronen. Kursen ger också en introduktion till djupinlärning. Speciellt behandlas:

• Framåtkopplade nätverk: den enkla och den flerlagriga perceptronen; val av lämpliga felfunktioner och tekniker för att minimera dessa; överinlärning och hur detta kan upptäckas och undvikas; kommittéer av neuronnät och tekniker för att skapa kommittéer.
• Återkopplade nätverk: dess användning inom tidsserieanalys och som associativa minnen (Hopfield-modellen).
• Faltningsnätverk: tillämpningar inom bildbehandling.
• Auto-encoder: metoder för icke-linjär dimensionsreduktion; förträning.
• Genererande nätverk: variationell auto-encoder och GAN för syntetisk datagenerering.
• Transformer-moduler: dess användning inom språkmodeller; träning med självuppmärksamhet.

Kursens examination

Betygsskala: TH - (U, 3, 4, 5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning:

Examination sker skriftligt i form av tentamen vid kursens slut och genom rapporter från datorövningarna under kursens gång.

Slutbetyget avgörs genom en sammanvägning av resultaten på de moment som ingår i examinationen, där resultatet på tentamen ges vikt 95 % och övriga moment ges vikt 5 %.

Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student.

Moduler
Kod: 0124. Benämning: Tentamen.
Antal högskolepoäng: 6.0. Betygsskala: TH - (U, 3, 4, 5). Prestationsbedömning: Skriftlig tentamen.
Kod: 0224. Benämning: Datorövningar.
Antal högskolepoäng: 1.5. Betygsskala: UG - (U, G). Prestationsbedömning: Godkända datorövningar.

Antagningsuppgifter

Förkunskapskrav:

• FMAB20 Linjär algebra
    och
  (FMAB30 Flerdimensionell analys eller FMAB35 Flerdimensionell analys med vektoranalys)
    och
  (FMAA01 Endimensionell analys eller FMAA05 Endimensionell analys eller FMAB65 Endimensionell analys B1)
    och
  (FMAA01 Endimensionell analys eller FMAA05 Endimensionell analys eller FMAB70 Endimensionell analys B2)

Kurslitteratur

• M. Ohlsson and P. Edén: Introduction to Artificial Neural Networks and Deep Learning. Finns tillgänglig hos Media-Tryck, och som pdf på kursens hemsida.
• Kompletterande litteratur.
  https://www.deeplearningbook.org/

Kontaktinfo

Kursansvarig: Patrik Edén, patrik.eden@cec.lu.se
Lärare: Mattias Ohlsson, mattias.ohlsson@cec.lu.se
Hemsida: https://canvas.education.lu.se/courses/29307