Datateknik AV, Neurala nätverk och djupinlärning, 6 hp
Observera att litteraturen i kursplanen kan ändras/revideras fram till:
• 1 juni för en kurs som startar på höstterminen
• 15 november för en kurs som startar på vårterminen
• 1 april för en kurs som startar på sommaren
Skriv ut eller spara kursplanen som PDF
Du kan enkelt skriva ut en kursplan direkt från webbsidan. Använd kortkommandot ctrl+p (Windows) eller command+p (Mac). I nästa steg väljer du om du vill skriva ut eller spara kursplanen som PDF.
För en nedlagd kurs kan eventuell information om avvecklingsperiod hittas under rubriken "Övergångsregel" i senaste versionen av kursplanen.
Kursplan för:
Datateknik AV, Neurala nätverk och djupinlärning, 6 hp
Computer Engineering MA, Neural Networks and Deep Learning, 6 credits
Allmänna data om kursen
- Kurskod: DT086A
- Ämne huvudområde: Datateknik
- Nivå: Avancerad nivå
- Högskolepoäng: 6
- Fördjupning vs. Examen: A1F - Avancerad nivå, har kurs/er på avancerad nivå som förkunskapskrav
- Utbildningsområde: Tekniska området 100%
- Ansvarig institution: Data- och elektroteknik
- Fastställd: 2025-03-10
- Giltig fr.o.m: 2025-01-20
Syfte
Studenten ska förstå moderna maskininlärningstekniker. Studenten ska utveckla färdigheter för att hitta intressanta funktioner, bygga grafiska och djupinlärningsmodeller i Python. Studenten ska visa förmåga att tillämpa färdigheterna i ett mindre projekt inom ett verkligt affärsområde eller tekniskt tillämpningsområde.
Lärandemål
Efter avslutad kurs ska studenten kunna:
- förklara ensemblemetoder, grafiska modeller och djupinlärning,
- tillämpa dessa tekniker i ett verkligt verksamhetsområde för affärsverksamhet eller teknik,
- implementera flera typer av maskininlärningsmetoder och modifiera dem,
- kritiskt utvärdera metodernas tillämplighet i nya sammanhang.
Innehåll
- Flerskiktsperceptron
- Konvolutionellt neuralt nätverk
- Rekurrent neuralt nätverk
- Regularisering för djupinlärning
- Optimering för modellträning
- Laborationer för djupinlärning med Python
- Projekt
Behörighet
Datateknik GR (AB), inkluderande Databaser, modellering och implementering, 6 hp. Datateknik AV, Datamining, 6 hp. Matematik GR (A), 30 hp, inkluderande Matematisk statistik, 6 hp.
Totalt tidigare studier 120 hp.
Urvalsregler
Urval sker i enlighet med Högskoleförordningen och den lokala antagningsordningen.
Undervisning
Kursen kan komma att erbjudas som campuskurs eller som webbaserad distanskurs. Studieinsatsen uppskattas till cirka 160 timmar.
Examination
L101: Laboratorieövning, 1 hp
Betygsskala: Tvågradig skala
P101: Projekt med skriftlig rapport, 2 hp
Betygsskala: Tvågradig skala
T101: Examen, 3 hp
Betygsskala: Sju-gradig skala, A-F o Fx
Slutbetyget baseras på ett sammanvägt resultat.
Betygskriterier för ämnet finns på www.miun.se/betygskriterier.
Om en student har ett besked från samordnaren vid Mittuniversitetet om pedagogiskt stöd vid funktionsnedsättning, har examinator rätt att ge anpassad examination för studenten.
Om tentamen på campus inte får genomföras enligt beslut från rektor, eller den denne delegerat rätten till, gäller följande: Tentamen T101, kommer att ersättas med två delar, webbexamination och uppföljning. Inom tre veckor efter webbexaminationen kommer ett urval av studenterna att kontaktas och få svara på frågor angående genomfört prov. Uppföljningen består av frågor om genomförandet av webbexaminationen och de svar som studenten skickat in.
Begränsning av examination
Studenter registrerade på denna version av kursplan har rätt att examineras 3 gånger inom loppet av 1 år enligt angivna examinationsformer. Därefter gäller examinationsform enligt senast gällande version av kursplan.
Betygsskala
Sju-gradig skala, A-F o Fx
Litteratur
Obligatorisk litteratur
Författare/red: Ian Goodfellow and Yoshua Bengio and Aaron Courville
Titel: Deep Learning
Upplaga: 2016 or later
**Förlag:**MIT press
Referenslitteratur
**Författare/red:**Christopher Bishop
**Titel:**Pattern recognition and Machine Learning
**Upplaga:**2006
**Förlag:**Springer