Allmänt

I denna kurs fördjupar du dig i avancerade koncept inom neurala nätverk och djupinlärning. Du kommer att utforska tekniker som Grafiska Neurala Nätverk, Generativa modeller, kvantiserade nätverk och mer, med praktiska färdigheter i att använda verktyg som TensorFlow, PyTorch och JAX. Dessa ämnen kommer att belysas med exempel från aktuell forskning inom fysik och teknik. Efter avslutad kurs kommer du att kunna designa specialanpassade neurala nätverksarkitekturer för problem inom fysik och teknik, hantera komplexa datamängder för träning och välja rätt djupinlärningsverktyg för olika problem, vilket gör dig redo för avancerade tillämpningar inom dessa områden.

Behörighetskrav

120 hp inom naturvetenskap/teknik. Tillämpad djupinlärning inom fysik och teknik. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Efter avklarad kurs skall studenten kunna

• skapa och designa olika avancerade neurala nätverksarkitekurer inom Keras och PyTorch skräddarsydda för problem inom fysik och teknik
• läsa, förstå och hantera komplexa datamängder och förbereda dessa för att träna neurala nätverk
• identifiera vilka djupinlärningsverktyg som är lämpliga för olika specifika problem och tillämpa dessa verktyg för att lösa problemen på ett ändamålsenligt sätt 

Innehåll

Avancerade djupa inlärningsarkitekturer och begrepp såsom Grafiska Neurala Nätverk, Transformer, Generativa modeller (GANs och diffusions-modeller), Normaliseringsflöden, osäkerhetsprognoser, kvantiserade nätverk, stora språkmodeller och text-till-bild. Tolkningsbarhet, etik och hållbarhet inom djup inlärning. Praktiska färdigheter i att använda vanliga djupinlärningsbibliotek och verktyg (TensorFlow/KERAS, PyTorch, JAX, scikit-learn, tensorboard, dataladdare och datapipelines). Alla ämnen kommer att studeras med exempel från toppmodern forskning inom fysik och teknik.

Undervisning

Föreläsningar och övningstillfällen

Examination

Inlämningsuppgifter