Tillämpad djupinlärning, 5 hp
Applied Deep Learning
Kursinformation
Undervisningsspråk: Engelska
Tid då kursen ges: Period 2, 2025
Undervisningsformat, på campus eller digitalt: Kursen har både online- och campusbaserade inslag. En stor del av kursen består av innehåll på begäran och praktiska övningar. Innehållet och övningarna kommer att diskuteras vid personliga möten varje vecka. Mötena kommer att erbjudas både via zoom och fysiskt så att det är möjligt att delta helt på distans för att bättre tillgodose doktorander från olika sektioner.
Rekommenderade förkunskaper
Grundläggande matematisk bakgrund i linjär algebra samt grundläggande kunskaper i programmeringsspråket Python är en fördel men det finns också utrymme för att förbättra dina programmeringskunskaper. Du kommer att behöva använda Python för alla inlämningsuppgifter. Alla utan Python-erfarenhet uppmuntras starkt att arbeta igenom en onlinekurs om Python med tonvikt på numpy-paketet. Många bra onlineresurser finns tillgängliga, googla själv eller välj någon av följande:
- https://docs.python.org/3/tutorial/
- https://www.w3schools.com/python/python_intro.asp
- https://www.tutorialspoint.com/python/
- https://www.datacamp.com/community/tutorials/python-numpy-tutorial
- https://www.machinelearningplus.com/python/numpy-tutorial-part1-array-python-examples/
Kursens mål
Efter genomgången kurs ska studenten kunna
- sammanfatta begreppen inom djupinlärning
- tillämpa djupinlärning för typiska problem inom sitt forskningsområde
- designa och optimera nätverksarkitekturer för olika problem
Hur kursen relaterar till mål för examen på forskarnivå
En stor del av arbetet för många doktorander är dataanalys. Denna kurs kommer att ge studenterna möjlighet att planera och använda lämpliga metoder genom att utrusta studenterna med de senaste teknikerna inom maskininlärning. Maskininlärning har gjort enorma framsteg under de senaste åren. Framstegen inom datorresurser, tillsammans med utvecklingen av algoritmer för att effektivt träna djupa neurala nätverk (deep learning), resulterar i en oöverträffad prestanda, framför allt i framstegen inom bildigenkänning. Djupinlärning kan tillämpas på en mängd olika problem inom olika områden och kommer ofta att överträffa befintliga tekniker.
Studenterna kommer att lära sig denna kraftfulla forskningsmetod. Kursen kommer att fokusera på de praktiska färdigheterna i att tillämpa djupinlärning på sina domänspecifika problem. Diskussionen av många forskningsexempel kommer att hjälpa studenterna att genomföra kvalificerade uppgifter inom förutbestämda tidsramar. Genom diskussion av veckovisa övningar lär sig studenterna att granska och utvärdera sitt arbete.
Kursinnehåll
Fundamentals of Deep Learning; Generalisering, Regularisering och Validering; Optimering och Hyperparameter Tuning; Convolutional Neutral Networks, Recurrent Neural Networks; Klassificering och Regression Tasks; Visualisering & Advanced Computer Vision Methods; Autoencoders; Generativa modeller, variational autoencoders, generative adversarial networks; Forskningsexempel från olika områden
Undervisning
Den här kursen kommer att ges på ett nytt sätt. I stället för föreläsningar varje vecka kommer innehållet att delas upp i mindre delar på 15-20 minuter och levereras via on-demand-videor. Var och en av dessa undervisningsenheter kommer följas av ett självrättande quiz och en praktisk övning (inlämningsuppgifter) där studenterna tillämpar inlärningsinnehållet på ett typiskt problem. Denna direkta tillämpning kommer att förbättra inlärningsresultatet och ge deltagarna färdigheter att tillämpa djupinlärning på sina egna problem. Frågor om innehållet eller övningarna, liksom deras korrekta lösningar, kommer att diskuteras i ett möte varje vecka på 1,5 timmar (antingen personligen eller via zoom).
Examination
Via inlämningsuppgifter. Godkänt deltagande i övningarna krävs för att bli godkänd på kursen. Veckovisa övningar där studenterna ska tillämpa föreläsningsinnehållet på praktiska problem kommer att distribueras. Övningarna kommer vanligtvis att innebära implementering av en nätverksarkitektur, träning av denna arkitektur på data och iterativ förbättring av nätverket.
Examinator
Christian Glaser, Christian.glaser@physics.uu.se
Huvudansvarig institution
Institutionen för fysik och astronomi
Kontaktperson/er
Christian Glaser, Christian.glaser@physics.uu.se
Ansökan
Skicka anmälan till kursen till: Anmälan Tillämpad djupinlärning 2025
Skicka anmälan senast: 30 september