Kursplan för Artificiella neurala nätverk

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

-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
-Att ha insikt om etiska och risker aspekter som rör maskininlärning, speciellt med avseende på kön och etnicitet
-Att ha insikter om både utmaningar och möjligheter som finns i arbete i interkulturella miljöer

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

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

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

Slutbetyg baseras delvis på inlämningsuppgifter (50%) och delvis på en skriftlig tenta (50%). För godkänd betyg krävs poäng på både tenta och inlämningsuppgifter, varav ett minimum antal poäng på den skriftliga tentamen.