ID3020 Avancerad kurs i skalbar maskininlärning och djupinlärning 7,5 hp

Advanced Course in Large Scale Machine Learning and Deep Learning

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.

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

    P, F

Kurstillfällen/kursomgångar

HT18 för programstuderande

  • Perioder

    HT18 P2 (7,5 hp)

  • Anmälningskod

    51447

  • Kursen startar

    2018-10-29

  • Kursen slutar

    2019-01-14

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    Campus Kista

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

Information för forskarstuderande om när kursen ges

Årligen under period 2.

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.

Kursens huvudsakliga innehåll

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

Kursupplägg

Kursen består av både kursarbete och en tentamen.

Behörighet

Inskriven som forskarstuderande.

Rekommenderade förkunskaper

Studenten bör ha generella kunskaper inom Distribuerade System eller Maskininlärning.

Litteratur

Utrustningskrav

Inget.

Examination

  • EXA1 - Examination, 7,5, betygsskala: P, F

P/F

Krav för slutbetyg

Kursen betygsätts med skalan P/F (godkänd/icke godkänd), baserat på godkänd  kursarbete och tentamen.

Ges av

EECS/Programvaruteknik och datorsystem

Examinator

Jim Dowling <jdowling@kth.se>

Versionsinformation

Kursplan gäller från och med HT2017.
Examinationsinformation gäller från och med VT2019.