DD2424 Djupinlärning i Data Science 7,5 hp

Deep Learning in Data Science

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Datalogi och datateknik
  • Betygsskala

    A, B, C, D, E, FX, F

Kurstillfällen/kursomgångar

VT19 deep19 för programstuderande

VT19 deep19 för Study Abroad Programme (SAP)

  • Perioder

    VT19 P4 (7,5 hp)

  • Anmälningskod

    20072

  • Kursen startar

    2019-03-18

  • Kursen slutar

    2019-06-04

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Kursansvarig

    Josephine Sullivan <sullivan@kth.se>

  • Lärare

    Josephine Sullivan <sullivan@kth.se>

  • Målgrupp

    Endast öppen för betalande studenter inom SAP

VT19 Doktorand för fristående studerande

  • Perioder

    VT19 P4 (7,5 hp)

  • Anmälningskod

    20120

  • Kursen startar

    2019-03-18

  • Kursen slutar

    2019-06-04

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Kursansvarig

    Josephine Sullivan <sullivan@kth.se>

  • Lärare

    Hossein Azizpour <azizpour@kth.se>

    Josephine Sullivan <sullivan@kth.se>

  • Målgrupp

    För doktorander på KTH

VT20 deep20 för programstuderande

HT18 deepl18 för programstuderande INSTÄLLD

  • Perioder

    HT18 P1 (7,5 hp)

  • Anmälningskod

    51545

  • Kursen startar

    2018-08-27

  • Kursen slutar

    2018-10-26

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

Lärandemål

Efter kursen ska du kunna:

  • förklara de grundläggande ideerna bakom inlärning, representation och igenkänning av rådata
  • redogöra för den teoretiska bakgrunden för de metoder för djupinlärning (deep learning) som är vanligast i praktiska sammanhang
  • identifiera de praktiska tillämpningar i olika områden av storskalig dataanalys (data science) där metoder för djupinlärning kan vara effektiva (med speciellt fokus på datorseende och språkteknologi)

för att:

  • kunna lösa problem kopplade till datarepresentation och igenkänning
  • kunna implementera, analysera och utvärdera enkla system för djupinlärning för automatisk analys av bild- och textdata
  • erhålla en bred kunskapsbas för att kunna tillgodogöra dig information om och läsa litteratur inom området

Kursens huvudsakliga innehåll

  • Inlärning av representationer från rådata: bilder och text
  • Principer för övervakad inlärning
  • Elementa för olika metoder för djupinlärning: faltningsnätverk och upprepade nätverk
  • Teoretisk kunskap om och praktisk erfarenhet av att träna nätverk för djupinlärning inkuderande optimering med användande av stokastisk gradient descent
  • Nya framsteg inom metoder för djupinlärning
  • Analys av modeller och representationer
  • Överförd inlärning med representationer för djupinlärning
  • Exempel på tillämpningar av djupinlärning för inlärning av representationer och igenkänning

Behörighet

Fristående kursstudenter: 90 universitetspoäng inkluderande 45 poäng i matematik eller informationsteknik

Litteratur

Ian Goodfellow, Aaron Courville, and Yoshua Bengio "Deep Learning"

Material producerat på avdelningen

Examination

  • LAB1 - Laborationer, 4,5, betygsskala: A, B, C, D, E, FX, F
  • TEN1 - Tentamen, 3,0, betygsskala: A, B, C, D, E, FX, F

Genom att göra en valfri projektuppgift kan eleverna höja slutbetyget.

Ges av

EECS/Intelligenta system

Kontaktperson

Josephine Sullivan, e-post: sullivan@kth.se

Examinator

Josephine Sullivan <sullivan@kth.se>

Versionsinformation

Kursplan gäller från och med VT2019.
Examinationsinformation gäller från och med VT2019.