ID2223 Skalbar maskininlärning och djupinlärning 7,5 hp
Välj termin och kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursval
Gäller för kursomgång
HT 2024 Start 2024-10-28 programstuderande
Anmälningskod
50248
Innehåll och lärandemål
Kursinnehåll
Ämnen:
- Maskininlärningsalgoritmer
- Skalbara ramverk för att parallellisera maskininlärningsalgoritmer
- Distribuerade maskininlärningsalgoritmer, som t.ex. distribuerad linjär regression och distribuerad logistisk regression
- Linjär algebra, sannolikhetsteori och numeriska beräkningar
- Djupa neuronnätverk
- Regularisering och optimering vid träning av djupa neuronnätverk
- Sekvensmodellering
- Tillämpningar av deep learning
Lärandemål
Kursen behandlar fundamenta inom distribuerade maskininlärningsalgoritmer och fundamenta inom deep learning. Vi täcker grunderna i maskininlärning och introducerar tekniker och system som låter maskininlärningsalgoritmer bli effektivt parallelliserade. Kursen kompletterar kurser inom maskininlärning och distribuerade system, med fokus på både ämnet deep learning och på gränsområdet mellan distribuerade system och maskininlärning. Kursen förbereder studenter för examensarbetet, och även för forskarstudier inom området data science och distribuerad databehandling.
Huvudmålet med denna kurs att ge studenterna en solid grund för att förstå storskaliga maskininlärningsalgoritmer, speciellt deep learning, och tillämpningsområden för dessa.
Efter avklarad kurs, kommer studenterna 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 mönsterigenkänningsproblem.
Kurslitteratur och förberedelser
Särskild behörighet
Rekommenderade förkunskaper
Grundkunskaper i distribuerade system och programmeringsmodeller, programmeringsspråk (Scala, Java, Python).
Det är önskvärt att du har antingen någon erfarenhet från eller har tagit en kurs inom dessa ämnen: Maskininlärning, Linjär Algebra och Probability Theory.
Utrustning
Kurslitteratur
Material från kursen hämtas från aktuella forskningspublikationer samt även från denna kursbok:
Deep Learning, Yoshua Bengio, Ian Goodfellow and Aaron Courville, MIT Press.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- LAB1 - Programmeringsuppgifter, 3,0 hp, betygsskala: P, F
- TEN1 - Tentamen, 4,5 hp, betygsskala: A, B, C, D, E, FX, 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.
Skriftlig tentamen. Laborativa uppgifter.
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
Kursrum i Canvas
Ges av
Huvudområde
Utbildningsnivå
Påbyggnad
Övrig information
I denna kurs tillämpas EECS hederskodex, se: http://www.kth.se/eecs/utbildning/hederskodex.