ID2223 Skalbar maskininlärning och djupinlärning 7,5 hp

Scalable Machine Learning and Deep Learning

Visa kursinformation utifrån vald termin och kursomgång:

Kursomgång och genomförande

Ingen kursomgång är vald

Välj termin och kursomgång ovan för att få information från rätt kursplan och kursomgång.

Kursinformation

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.

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet *

Ingen information tillagd

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

Ingen information tillagd

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

Betygsskala *

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

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 samordnare för 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

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Amir Payberah

Ytterligare information

Kurswebb

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

Kurswebb ID2223

Ges av

EECS/Datavetenskap

Huvudområde *

Datalogi och datateknik

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Ingen information tillagd

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.

Övrig information

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