Emne

Dype nevrale nett (ELE680)

Fakta

Emnekode ELE680

Vekting (stp) 5

Semester undervisningsstart Høst

Undervisningsspråk Engelsk

Antall semestre 1

Vurderingssemester Høst

Timeplan Vis timeplan

Litteratur Søk etter pensumlitteratur i Leganto

Introduksjon

I dette emnet vil du bli introdusert til grunnleggende metoder for dyplæring, grunnleggende nettverkskarkitekturer og deres bruksområder, og hvordan du kan bygge, trene og evaluere dype nett for ulike applikasjoner.

Innhold

NB! Dette er et valgemne og dersom det er færre enn 10 studenter oppmeldt pr. 20. august for høstsemesteret, kan dette medføre at emnet ikke tilbys.

I dette emnet vil du bli introdusert til grunnleggende metoder for dyplæring, grunnleggende nettverkskarkitekturer og deres bruksområder, og hvordan du kan bygge, trene og evaluere dype nett for ulike applikasjoner. Dette inkludererer:

  • Neurons, layers, back propagation, optimizers, loss functions, hyperparameters
  • Multilayer Perceptron Network (MPN)
  • Training a Neural Network
  • Unsupervised, supervised and semi-supervised learning approaches.
  • Transfer learning
  • Convolutional Neural Network (CNN)
  • Recurrent Neural Network (RNN) and Long Short-Term Memory networks (LSTMs)
  • Time Series analysis
  • Image classification and Object detection
  • Video Activity recognition
  • Autoencoders
  • Transformers
  • Text and Natural Language Processing

Læringsutbytte

Etter å ha tatt dette emnet skal studenten ha grunnleggende forståelse metoder og nettverksstrukturer benyttet i dyplæring. Studenten skal også være i stand til å bygge, trene og evaluere modeller for en eller flere praktiske problemstillinger relatert til dyplæring.

Forkunnskapskrav

Ingen

Anbefalte forkunnskaper

Maskinlæring (ELE520)

Eksamen / vurdering

Prosjektoppgave

Vekt 1/1

Varighet 5 Uker

Karakter Bokstavkarakterer

Hjelpemiddel Alle

Trekkfrist 24.10.2025

Det tildelte prosjektet gjennomføres i grupper på to studenter. Unntaksvis kan det være en eller tre studenter per gruppe. Rapporten beskriver og dokumenterer arbeidet i prosjektet. Rapporten er laget i samarbeid med alle deltakerne i gruppen, og alle deltakerne vil få samme karakter.

Det tilbys ikke kontinuasjonseksamen i dette emnet. Ny prosjektrapport må leveres neste gang emnet undervises.

Vilkår for å gå opp til eksamen/vurdering

2 øvinger, Muntlig presentasjon av prosjekt

2 av 2 øvinger må være godkjent innen angitte frister.

Muntlig presentasjon av prosjektet er obligatorisk og vurderes godkjent/ikke godkjent.

Arbeidsformer

Emnet har en varighet på ca. 12 uker og er ferdig i starten av november. Forelesningene vil strekke seg over de første 7 uker, hvor det foreleses 2 timer pr uke. Det forventes at studenten bruker ytterligere 6-8 timer i uken på selvstudium og øvinger.

Prosjektet gjennomføres i løpet av de 5 siste ukene av emnet, og det forventes at hver student bruker ca. 10 timer per uke.

Åpent for

Enkeltemner på masternivå ved Det teknisk-naturvitenskapelige fakultet
Data Science Computational Engineering Datateknologi Datateknologi - master i teknologi, deltid Kybernetikk og anvendt KI
Utveksling ved Det teknisk-naturvitenskapelige fakultet

Opptakskrav

Søkeren må oppfylle opptakskravet til et av studieprogrammene som emnet er åpent for.

Emneevaluering

Fakultetet avgjør om det skal gjennomføres tidligdialog i alle emner eller i utvalgte grupper av emner. Formålet er å få tilbakemeldinger fra studentene for forbedringer i semesteret. I tillegg skal det gjennomføres en digital emneevaluering minst hvert tredje år for å innhente studentenes erfaringer.

Kontakt

Faglærer:
Trygve Christian Eftestøl
Faglærer:
Kjersti Engan
Instituttleder:
Tom Ryen
Faglærer:
Øyvind Meinich-Bache
Emneansvarlig:
Øyvind Meinich-Bache
Faglærer:
Vinay Jayarama Setty

Tilbys av

Det teknisk-naturvitenskapelige fakultet

Institutt for data- og elektroteknologi

Emnebeskrivelsen er hentet fra Felles studentsystem Versjon 1