ID2223 Skalbar maskininlärning och djupinlärning 7,5 hp

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

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.

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.

Material från kursen hämtas från aktuella forskningspublikationer samt även från denna kursbok:

Deep Learning, Yoshua Bengio, Ian Goodfellow and Aaron Courville, MIT Press.

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

• 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.

Jim Dowling

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

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