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 Pensumlisten finner du i Leganto

Innhold

NB! Dette er et valgemne og dersom det er færre enn 10 studenter oppmeldt pr. 20. august for høstsemesteret eller pr. 20. januar for vårsemesteret, 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)
  • Computer vision applications
  • 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

Rapport og muntlig eksamen

Rapport

Vekt 3/5

Varighet 1 Måneder

Karakter Bokstavkarakterer

Eksamenssystem WISEflow

Muntlig eksamen

Vekt 2/5

Varighet 10 Minutter

Karakter Bokstavkarakterer

Emnet har en løpende vurdering bestående av en rapport og muntlig eksamen. Begge vurderingsdeler må være bestått innenfor samme semester for å oppnå en samlet karakter i emnet.

Studenter som ønsker å forbedre karakter i emnet må gjennomføre begge vurderingsdeler på nytt neste gang faget undervises.

Rapporten baserer seg på et prosjekt som gjennomføres i grupper.

Muntlig eksamen er individuell og vil ha en viss knytning til prosjekt. Tilpasser tidspunkt etter behov, men det tilbys ikke konteeksamen.

Vilkår for å gå opp til eksamen/vurdering

2 øvinger

2 av 2 øvinger må være godkjent innen angitte frister. Godkjente øvinger er gyldig i ett år.


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.

Bruk av KI som studiestøtte i studiearbeidet

KI-verktøy kan brukes som støtte til læring, programmering og faglige diskusjoner, samt til å forbedre tekst og få forklaringer på konsepter. Alt innlevert arbeid skal imidlertid bygge på studentens eget arbeid og egen forståelse. KI skal ikke erstatte selvstendig problemløsning. I dette emnet er målet at studentene selv utvikler ferdigheter i å bygge, trene og evaluere dype nevrale nettverk. Bruk av KI i øvinger, prosjektarbeid og rapporter skal oppgis tydelig. Det skal fremgå hvilke deler som er støttet av KI og hvordan verktøyet er brukt. Studenten er selv ansvarlig for det som leveres inn.

Åpent for

Enkeltemner på masternivå ved Det teknisk-naturvitenskapelige fakultet
Data Science - master Computational Engineering - master Datateknologi - master Datateknologi - master (deltid) Kybernetikk og anvendt KI - master
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

Instituttleder:
Tom Ryen
Emneansvarlig:
Øyvind Meinich-Bache
Ansvarlig laboratorieøvelser:
Enrico Guerriero

Tilbys av

Det teknisk-naturvitenskapelige fakultet

Institutt for data- og elektroteknologi

Emnebeskrivelsen er hentet fra Felles studentsystem Versjon 1