Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Beräkningsvetenskap: Introduktion till artificiella neuronnätverk och djupinlärning (BERN04), 7,5 hp

Djupinlärning med artificiella neuronnätverk har under de senaste åren blivit mycket populärt och har uppnått imponerande resultat på svåra problem som att klassificera objekt i bilder, tolka mänskligt tal och generera meningsfull text. Denna kurs ger en introduktion till artificiella neuronnätverk och djupinlärning, med både teoretiska och praktiska aspekter.

Den senaste tidens utveckling inom maskininlärning har lett till ett ökat intresse för artificiella neuronnätverk (ANN). Nya effektiva algoritmer och allt kraftfullare hårdvara har gjort det möjligt att skapa mycket komplexa och högpresterande ANN. Processen att träna sådana komplexa nätverk har blivit känd som djupinlärning eller deep learning, och de komplexa nätverken kallas vanligtvis djupa neurala nätverk. En möjlighet som uppstår i sådana nätverk är att mata dem med obearbetade eller nästan obearbetade ingångsdata och låta algoritmerna automatiskt kombinera dessa data till någon sorts egenskaper som en del av nätverkens inneboende struktur. Detta är numera känt som feature learning eller representation learning.

Kursens övergripande mål är att ge studenterna grundläggande kunskap om artificiella neuronnätverk och djupinlärning, både den teoretiska bakgrunden och hur man praktiskt använder metoderna för typiska problem inom maskininlärning och datautvinning (data mining). Kursen behandlar de vanligaste modellerna i artificiella neurala nätverk, med fokus på flerskiktsperceptronen (multi-layer perceptron, MLP). Kursen innehåller tre datorövningar där studenten tränar och utvärderar olika ANN-modeller.

Vem kan läsa kursen?

Kursen är utformad för studenter med kunskaper i matematik och grundläggande programmering från minst ett par års kandidatstudier. De formella kraven är 90 hp naturvetenskap inklusive minst 45 hp matematik.

Kursen ges på halvfart andra halvan av höstterminen (och det står dessvärre fel på antagning.se om detta inför HT 2024). Kursen ges även för studenter på valda program vid LTH under kurskod EXTQ41. Doktorander är också välkomna att läsa kursen (kurskod NTF005F) och ombeds kontakta kursansvarig i god tid före kursstart. Kursen har tidigare haft kurskoderna FYTN14, EXTQ40, FYTN06 och FYS228.

Mer information om kursens innehåll, schema, kursplaner och kursutvärderingar finns på kursens permanenta sida på Canvas:

Behörighet & urval, anmälan och antagning

På Lunds universitets centrala webbplats hittar du kursplan, behörighet & urval, anmälan & antagning.

Beräkningsvetenskap: Introduktion till artificiella neuronnätverk och djupinlärning

Kurskod: BERN04
Poäng: 7,5 hp
Nivå: Avancerad nivå
Period: Höstterminen, period 2, halvfart

Schema

Schema BERN04 höstterminen 2024 i schemaprogrammet TimeEdit - timeedit.net

Kurslitteratur

Kompendium, "Introduction to Artificial Neural Networks and Deep Learning", M. Ohlsson & P. Edén, fås som PDF på kurshemsidan eller tryckt från Media-Tryck.
Extra läsning: Deep Learning Book (deeplearningbook.org)

Kursanalys

Se kursens sida i Canvas

Kursansvarig

Patrik Edén
E-post: patrik [dot] eden [at] cec [dot] lu [dot] se (patrik[dot]eden[at]cec[dot]lu[dot]se)
Tel: 046-222 46 49