Kursplan för Artificiella neurala nätverk

Kursplan fastställd 2021-02-26 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnArtificial neural networks
  • KurskodFFR135
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPCAS
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeBioteknik, Kemiteknik, Teknisk fysik
  • InstitutionFYSIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 11121
  • Max antal deltagare200
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0100 Tentamen 7,5 hp
Betygsskala: TH		7,5 hp
  • 25 Okt 2021 fm L
  • 04 Jan 2022 em J
  • 18 Aug 2022 em J

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Analys i en reell variabel, linjär algebra, grundläggande kunskaper i flervariabelanalys och programmering.

Syfte

Syftet med kursen är att introducera studenterna till maskininlärning med neurala nätverk, fördelade beräkningsmodeller inspirerade av strukturen i den mänskliga hjärnan som består av många enkla bearbetningselement, anslutna i ett nätverk. Neurala nätverk har revolutionerat hur vi angriper viktiga problem inom ingenjörsvetenskapen, som bildanalys (igenkänning av objekt och deras lokalisering i bilden), prediktion, och kontroll. Kursen ger en överblick och en grundläggande förståelse av de viktigaste algoritmerna som används nuförtiden, och visar likheter samt skillnader mellan dessa metoder. Huvudvikten ligger på tre sammanhängande metoder: rekurrenta (Hopfield) nätverk, djupinlärning, och algoritmer för oövervakad inlärning (s.k. reinforcement learning). Målet är att förklara hur och varför algoritmerna fungerar, när och hur de misslyckas, hur man programmerar standardmetoderna från början, och hur man använder moderna programmeringsmetoder.

Lärandemål (efter fullgjord kurs ska studenten kunna)

-kunna skilja mellan övervakad och oövervakad inlärning, förklara de viktigaste principerna för de motsvarande algoritmerna, och förstå deras skillnader och likheter
-förstå under vilka förutsättningar man med fördel kan använda neurala nätverk
-förstå begränsningar och grundläggande problem med olika neurala nätverks algoritmer
-kunna implementera algoritmerna som introducerats i klassen, från grunden och med hjälp av befintliga programpaket
-tolka resultaten av datorsimuleringar, och kommunicera slutsatser på ett tydligt, logiskt, och kortfattat sätt
-kunna sammanfatta den historiska utvecklingen av ämnet
-kunna reflektera på etiska frågor kring maskinginlärning, och möjliga risker 

Innehåll

Kursen bygger på kompendiet Machine learning with neural networks https://arxiv.org/abs/1901.05639.


1. Statistisk mekanik av neurala nätverk

McCulloch Pitts nervceller, Hopfield modell, stokastisk optimering, Boltzmann maskiner

2. Djup inlärning med neurala nätverk
Perceptroner, backpropagation, stokastisk gradientnedstigning, djup inlärning, rekurrenta nätverk
3.  Oövervakad inlärning
Hebbs algoritm, radiala basis funktioner, inlärning med förstärkning

Organisation

Föreläsningar


Hemuppgifter

Programmering med valfritt programmeringsspråk (vanligen antingen Matlab eller Python). Vi använder OpenTA.


Övningsklasser

Hemuppgifter och tentamensfrågor


Gästföreläsningar

Aktuella forsknings och utvecklingsfrågor, möjliga exjobb


Inspelade korta föreläsningar

Litteratur

Kursbok


B. Mehlig Machine learning with neural networks https://arxiv.org/abs/1901.05639


Ytterligare referenser


I. Goodfellow, Y. Bengio & A. Courville, Deep Learning https://www.deeplearningbook.org

J. Hertz, A. Krogh & R. G. Palmer, Introduction to the theory of neural computation, Addison-Wesely, Redwood City (1991).


S. Haykin, Neural Networks: a comprehensive foundation, 2nd ed., Prentice Hall, New Jersey (1999)


R.S. Sutton & A. Barto, Reinforcement learning: An Introduction, 2nd ed., MIT Press, http://www.incompleteideas.net/book/the-book-2nd.html

Examination inklusive obligatoriska moment

Slutbetyg baseras delvis på inlämningsuppgifter (50%) och delvis på en skriftlig tenta (50%). För godkänd betyg måste ett minimantal poäng i den skriftliga tentamen uppnås.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.