Kursplan för Avancerad maskininlärning med neurala nätverk

Kursplan fastställd 2021-02-08 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnAdvanced machine learning with neural networks
  • KurskodTIF360
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPCAS
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeTeknisk fysik
  • InstitutionFYSIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 11111
  • Max antal deltagare80 (minst 10% av platserna reserveras för utbytesstudenter)
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0120 Projekt 7,5 hp
Betygsskala: TH		0 hp0 hp0 hp7,5 hp0 hp0 hp

I program

Examinator

  • Giovanni Volpe
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 variabel och flera variabler, linjär algebra, programmering. Första kurs i maskininlärning med neurala nätverk (FFR135, SSY340 eller liknande).

Syfte

Kursen introducerar studenterna till moderna metoder i maskininlärning med hjälp av artificiella neurala nätverk. Denna avancerade kurs bygger på Maskininlärning med neurala nätverk (FFR135) och ger en djupgående analys av många av de koncept och algoritmer som kort introducerades i den kursen, med särskild tonvikt på tillämpningar inom naturvetenskap och teknikvetenskap. Målet är att bli bekant med flera avancerade maskininlärningsmetoder och att programmera dem effektivt i Python med hjälp av paket för neurala nätverk. En väsentlig del av kursen är projekt inom djup maskininlärning och förstärkningsinlärning.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Kunskap och förståelse
  - Beskriva olika neurala nätverksmodeller med deras fördelar och nackdelar
  - Hitta relevant litteratur för att hålla jämna steg med detta snabbt framväxande område
Färdigheter och förmåga
 - Implementera ett brett utbud av moderna neurala nätverksmodeller
 - Träna och validera dessa modeller
 - Optimera dessa modeller för en specifik uppgift
 - Planera, hantera och genomföra ett mindre projekt inom fältet
 - Skriv en rapport om resultaten av projektet
Omdöme och tillvägagångssätt
 - Kritiskt analysera fördelar och nackdelar med tillgängliga neurala nätverksmodeller
 - Jämföra resultaten från neurala nätverksmodeller mot andra modeller
 - Utvärdera och diskutera framsteg på området neurala nätverk

Innehåll

Kursen är projektbaserad och fokuserar på moderna tillämpningar av neurala nätverk som är relevanta för forskning och industri.
 
Fokus:
- Vilken modell ska användas för en given uppgift?
- Hur ska modeller jämföras?
- Vad är utbytet mellan komplexitet, noggrannhet och risk för överträning i praktiska miljöer?
- Hur utvärderar man kvaliteten på förutsägelserna från modellen?

Organisation

- 1 lektion för att ge en översikt över kursen
- 3 inlämningsuppgifter som ska göras av varje student med peer-review och följt av en föreläsning som förklarar sammanhanget för dessa uppgifter
- En serie föreläsningar om aktuella ämnen där maskininlärning används i banbrytande forskning och applikationer inom industrin, som ges av lokala och internationella experter
- Ett gruppprojekt

Examination inklusive obligatoriska moment

Examinationen bygger på
- 30% inlämningsuppgifter (10% för varje)
- 20% slutprojektpresentation
- 50% slutprojektrapport
Ett nödvändigt (men inte tillräckligt) krav för godkänt betyg är att 5/10 poäng uppnås på varje inlämningsuppgift.

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.