Inför kursvalDD2424 Djupinlärning i Data Science 7,5 hpAdministrera Om kursen

Välj termin och kursomgång

Välj termin och kursomgång för att se information från rätt kursplan och kursomgång.

Innehåll och lärandemål

Kursinnehåll *

  • 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

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

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet *

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

Rekommenderade förkunskaper

Ingen information tillagd

Utrustning

Ingen information tillagd

Kurslitteratur

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


Material producerat på avdelningen

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala *

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

Examination *

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

Examinator beslutar, baserat på rekommendation från KTH:s samordnare för funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Genom att göra en valfri projektuppgift kan eleverna höja slutbetyget.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Josephine Sullivan

Etiskt förhållningssätt *

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb DD2424

Ges av

EECS/Intelligenta system

Huvudområde *

Datalogi och datateknik

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Josephine Sullivan (sullivan@kth.se)

Övrig information

I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex