FID3020 Avancerad kurs i skalbar maskininlärning och djupinlärning 7,5 hp
Kursen är en advancerad version av ID2223 (nivå 2 kurs), skalbar maskininlärning och djupinlärning. Förrutom kraven från ID2223 tillkommer presentationer av forskning inom området storskaliga maskininlärningsalgoritmer. Varje deltagare skall finna egna relevanta forskningsartiklar, läsa och analysera dessas bidrag, ge en presentation av materialet och aktivt bidra till gruppdiskussionerna, samt även skriva en kort rapport om artiklarna.
Information för forskarstuderande om när kursen ges
Årligen under period 2.
Innehåll och lärandemål
Kursinnehåll
Denna kurs är en kurs på forskarnivå som täcker forskning inom området skalbar maskininlärning och djupinlärning. Ämnen är:
Maskininlärningsprinciper
Att använda skalbara ramverk för Data Analytics för att parallellisera maskininlärningsalgoritmer
Distribuerad Linjär Regression
Distribuerad Logistisk Regression
Linjär algebra, sannolikhetsteori och numeriskal beräkningar
Feedforward Deep Networks
Regularisering i Deep Learning
Optimering för att träna Deep Models
Convolutional Networks
Sequence Modelling: Recurrent and Recursive Nets
Generative Adverserial Networks
Deep Reinforcement Learning
Tillämpningar för Deep Learning
Lärandemål
Efter kursen kommer studenten att
* kunna återimplementera en klassisk maskininlärningsalgoritm som till exempel en skalbar maskininlärningsalgoritm
* kunna designa och träna ett lagrat neuronnät tillämpa ett tränat lagrat neuronnät för att göra användbara prediktioner eller klassifikationer i ett tillämpningsområde
* kunna förklara prestandaavvägningar vid parallellisering av maskininlärningsalgoritmer liksom begränsningar i olika nätverksmiljöer
* kunna identifiera lämpliga distribuerade maskininlärningsalgoritmer för att effektivt lösa klassificerings- och mönsterigenkännings-problem.
* kunna diskutera, analysera, presentera och kritiskt bedöma de senaste forskningsrönen inom området storskaliga maskininlärningsalgoritmer, speciellt Deep Learning, och tillämpningsområden för dessa.
Kursupplägg
Kurslitteratur och förberedelser
Särskild behörighet
Inskriven som forskarstuderande.
Rekommenderade förkunskaper
Studenten bör ha generella kunskaper inom Distribuerade System eller Maskininlärning.
Utrustning
Kurslitteratur
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- EXA1 - Examination, 7,5 hp, betygsskala: P, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
P/F
Övriga krav för slutbetyg
Kursen betygsätts med skalan P/F (godkänd/icke godkänd), baserat på godkänd kursarbete och tentamen.
Möjlighet till komplettering
Möjlighet till plussning
Examinator
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 FID3020