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 2023-2024. Merk at det kan komme endringer.

Fakta

Emnekode

ELE680

Versjon

1

Vekting (stp)

5

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingssemester

Høst

Undervisningsspråk

Engelsk

Tilbys av
Timeplan

Vis timeplan

Innhold

I dette emnet vil du bli introdusert til grunnleggende metoder for dyplæring, de mest effektive og vanlige dype nettverkene 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 
  • 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.
  • Image classification and Object detection
  • Video Activity recognition
  • Deep Reinforcement Learning
  • Deep learning in image reconstruction and medical imaging. 

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

ELE520 Maskinlæring

Eksamen / vurdering

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Gruppeprosjekt 1/1 Bokstavkarakterer

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.

Vilkår for å gå opp til eksamen/vurdering

2 øvinger
2 av 2 øvinger må være godkjent innen angitte frister.

Fagperson(er)

Emneansvarlig:

Øyvind Meinich-Bache

Ansvarlig laboratorieøvelser:

Ketil Oppedal

Faglærer:

Øyvind Meinich-Bache

Faglærer:

Vinay Jayarama Setty

Faglærer:

Mahdieh Khanmohammadi

Faglærer:

Krisztian Balog

Faglærer:

Trygve Christian Eftestøl

Faglærer:

Kjersti Engan

Instituttleder:

Tom Ryen

Arbeidsformer

Emnet har en varighet på ca. 8 uker og er ferdig i midten av oktober. Forelesningene vil strekke seg over de første 5 uker, hvor det foreleses 2-4 timer pr uke. Det forventes at studenten bruker ytterligere 6-8 timer i uken på selvstudium og øvinger.

Prosjektet gjennomføres i løpet av de 3 siste ukene av emnet, og det forventes at hver student bruker ca. 15 timer per uke.

Emneevaluering

Det skal være en tidligdialog mellom emneansvarlig, studenttillitsvalgt og studentene. Formålet er tilbakemelding fra studentene for endringer og justering i emnet inneværende semester.

I tillegg skal det gjennomføres en digital emneevaluering minimum hvert tredje år. Den har som formål å innhente studentenes erfaringer med emnet.

Litteratur

Pensumlisten finner du i Leganto