Dype nevrale nett ELE680
I dette emnet vil du bli introdusert til grunnleggende metoder for dyplæring, de mest effektive og vanlige typer dype nettverk som benyttes og hvordan du kan bygge, trene og evaluere dype nett for ulike applikasjoner.
Dette er emnebeskrivelsen for studieåret 2021-2022. Merk at det kan komme endringer.
ELE680
5
Høst
1
Høst
Engelsk
Det teknisk-naturvitenskapelige fakultet, Institutt for data- og elektroteknologi
- Neurons, layers, back propagation, optimizers, loss functions, hyperparameters
- Unsupervised, supervised and semi-supervised learning approaches.
- Transfer learning
- Multilayer Perceptron Network (MPN)
- Convolutional Neural Network (CNN)
- Time Series analysis
- Reccurent Neural Network (RNN) and Long Short-term Memmory networks (LSTMs)
- Autoencoders
- Natural language processing (NLP) Natural language understanding and Embeddings.
- Object detection
- Activity recognition
- Deep Belief Networks
- Deep Reinforcement Learning
- Deep learning in image reconstruction and medical imaging.
| Vurderingsform | Vekting | Varighet | Karakter | Hjelpemiddel |
|---|---|---|---|---|
| Gruppeprosjekt | 1/1 | A - F |
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. En muntlig presentasjon av prosjektet er en obligatorisk del av prosjektet.Det finnes ingen kontinuasjonseksamen i dette emnet. Ny prosjektrapport må leveres neste gang emnet undervises.
Forelesninger vil strekke seg over en periode på 6 uker hvor det foreleses 4-6 timer pr uke. Det forventes at studenten bruker ytterligere 6-8 timer i uken på selvstudium og øvinger.
Prosjektet gjennomføres i løpet av 3 uker hvor det forventes at hver student bruker ca 15 timer per uke.