Kursplan för
Introduktion till artificiella neuronnätverk och deep learning
Introduction to Artificial Neural Networks and Deep Learning
EXTQ40, 7,5 högskolepoäng, A (Avancerad nivå)
Gäller för: Läsåret 2020/21
Beslutad av: Programledning F/Pi
Beslutsdatum: 2020-04-01
Allmänna uppgifter
Huvudområde: Maskininlärning, system och reglerteknik.
Obligatorisk för: MMSR1
Valfri för: BME4-sbh, C4, D4-bg, D4-mai, E4-ss, F4, F4-tf, F4-bg, F4-mai, I4, N4, Pi4-ssr, Pi4-bam
Undervisningsspråk: Kursen ges på begäran på engelska
Syfte
Kursens övergripande syfte är att ge studenten grundläggande
kunskaper om artificiella neuronnätverk och deep learning, både
teoretiska kunskaper och hur man praktiskt använder dem för
typiska problem inom maskininlärning och datautvinning.
Mål
Kunskap och förståelse
För godkänd kurs skall studenten
- kunna redogöra för uppbyggnaden av den flerlagriga
perceptronen
- kunna redogöra för olika val av felfunktioner vid inlärning
samt tekniker för att numeriskt minimera dessa felfunktioner
- kunna förklara innebörden av överinlärning och vilka
egenskaper hos neuronnätet som orsakar överinlärning
- kunna redogöra för uppbyggnaden av olika typer av djupa
neuronnät
- kunna beskriva neuronnät som används för tidsserieanalys
samt vid självorganisering.
Färdighet och förmåga
För godkänd kurs skall studenten
- kunna producera uppdateringsekvationer för en flerlagrig
perceptron givet en felfunktion och aktiveringsfunktioner
- kunna bevisa grundläggande egenskaper hos den flerlagriga
perceptronen, såsom ickelinjäritet, tolkning av svaret som en
sannolikhet och fördelen med en ensemble av neuronnät
- kunna implementera en flerlagrig perceptron för att lösa ett
typiskt klassificerings- eller regressionsproblem, inkluderande
systematiskt val av lämpliga modellparametrar för att optimera
generaliseringsförmågan
- kunna visa hur man med ett faltningsneuronnät kan klassificera
bilder, inkluderande lämpligt val av antal lager och
filterstorlekar
- kunna använda återkopplade nätverk, både djupa och grunda,
för problem av typen tidsserieanalys.
Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten
- kunna analysera ett för området typiskt problem och avgöra
vilken eller vilka metoder som är mest lämpliga för att lösa
det
- kunna identifiera eventuella luckor i en analys som kan
påverka dess reproducerbarhet.
Kursinnehåll
Kursen täcker de vanligaste modellerna inom området
artificiella neuronnät med
fokus på den flerlagriga perceptronen. Kursen ger också en
introduktion till deep
l earning. 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; Bayesiansk träning av flerlagriga perceptroner
- Återkopplade nätverk: enkla återkopplade neuronnät och dess
användning inom tidsserieanalys; fullt återkopplade nätverk
både för tidsserieanalys och associativa minnen (Hopfield
modellen); minimeringstekniken simulerad avkylning.
- Nätverk för självorganisering: neuronnät för att extrahera
principalkomponenter; neuronnät för klustring; lärarledd
vektorkvantisering (LVQ); ”Self-Organizing Feature Maps”
(SOFM)
- Deep Learning: Översikt över området deep learning;
faltningsneuronnät för klassificering av bilder; olika tekniker
för att undvika överinlärning i djupa neuronnät; tekniker för
att förträna djupa neuronnät.
Kursens examination
Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Examinationen består av rapporter från obligatoriska datorövningar, samt en skriftlig eller muntlig tentamen vid kursens slut.
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.
Antagningsuppgifter
Förkunskapskrav:
Begränsat antal platser: 120
Urvalskriterier: Avklarade högskolepoäng inom programmet. Förtur ges till studenter vars program har kursen listad i läro- och timplanen. Bland dessa studenter ges förtur till studerande på masterprogrammet i Maskininlärning, system och reglerteknik, för vilka kursen är obligatorisk.
Kursen överlappar följande kurser: FYTN14
Kurslitteratur
- Enligt av institutionen fastställd litteraturlista, vilken ska finnas tillgänglig senast fem veckor före kursstart.
Kontaktinfo och övrigt
Lärare: Mattias Ohlsson, mattias@thep.lu.se
Kursansvarig: Patrik Edén, patrik.eden@thep.lu.se
Hemsida: http://cbbp.thep.lu.se/~mattias/teaching/fytn14/