Behörighetskrav

120 hp inom teknik/naturvetenskap med Introduktion till beräkningsvetenskap (F) och Linjär algebra II. Kvantfysik/Kvantfysik F skall vara genomgången. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Efter godkänd kurs ska studenten kunna:

• redogöra för koncept inom djup maskininlärning (deep learning)
• tillämpa djup maskininlärning för att lösa typiska problem inom fysik och teknik
• designa och optimera nätverksarkitekturer för olika problem inom fysik eller teknik
• jämföra resultat från djupinlärningsmodeller med experimentella data

Innehåll

Grundläggande djup maskininlärning. Generalisering, regularisering och validering. Optimering och hyperparameterinställning. Konvolutionella neurala nätverk. Klassificering och regression. Visualisering och avancerade metoder för datorseende. Autokodare. Generativa modeller, variationella autokodare, generativa motståndarnätverk (generative adversarial networks). Tillämpningar inom fysik och teknik, t.ex. bildigenkänning, analys av tidsseriedata, pulshöjdsanalysator, realtids-lågeffekts-på enheten-beräkningar (tillämpningar inom IoT). Praktiska erfarenheter av att använda TensorFlow via Keras Python-gränssnitt. Metoder för att verifiera förutsägelser från neurala nätverk, t.ex. genom oberoende experimentell data från en laboratorieuppställning.

Undervisning

Föreläsningar, lektioner och laborationer.

Examination

Inlämningsuppgifter.

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.