Kursplan för Djup maskininlärning för bildanalys

Deep Learning for Image Analysis

  • 7,5 högskolepoäng
  • Kurskod: 1MD120
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Bildanalys och maskininlärning A1F, Datavetenskap A1F

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå

    • G1N: har endast gymnasiala förkunskapskrav
    • G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    • G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    • G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    • G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    • GXX: kursens fördjupning kan inte klassificeras

    Avancerad nivå

    • A1N: har endast kurs/er på grundnivå som förkunskapskrav
    • A1F: har kurs/er på avancerad nivå som förkunskapskrav
    • A1E: innehåller examensarbete för magisterexamen
    • A2E: innehåller examensarbete för masterexamen
    • AXX: kursens fördjupning kan inte klassificeras

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2020-02-27
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2020-10-08
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2021
  • Behörighet:

    120 hp inklusive Statistisk maskininlärning, flervariabelanalys, en fortsättningskurs i programmering och Introduktion till bildanalys eller Datoriserad bildanalys. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna:

  • beskriva och tillämpa bakåtpropagering tillsammans med gradient-baserad och stokastisk gradient-baserad optimering för att optimera en modell;
  • implementera från grunden ett fullt sammankopplat flerlagers neuralt nätverk;
  • förklara under- och överanpassning och vad som kan göras för att undvika dessa;
  • beskriva och använda olika slags regularisering;
  • använda moderna miljöer för djup maskininlärning för att lösa praktiska bildbehandlings- och bildanalysproblem;
  • beskriva och använda djupa faltningsnätverk för bildklassificering, objektdetektion och bildsegmentering;
  • kritiskt analysera forskning inom huvudområdet, bedöma dess möjligheter och begränsningar.

Innehåll

Djup maskininlärning (deep learning) för visuella data. Datadriven bildklassificering, linjär klassificering, aktiveringsfunktioner, olika kostnadsfunktoner, gradient-baserad optimering med bakåtpropagering. Faltningsneuronnät (CNN) och metoder för träning av dessa, överföringsinlärning och artificiell utvidgning av datamängden. Olika arkitekturer samt tillämpningar inom bildanalys (klassificering, detektion, segmentering). Visualisering och förståelse av faltningsneuronnät. Generativa kontradiktoriska nätverk (GANs). Möjligheter och begränsningar med djup maskininlärning.

Undervisning

Föreläsningar, uppgifter, laborationer och projektarbete i grupp.

Examination

Skriftlig tentamen (3 hp), godkända inlämningsuppgifter och laborationer, muntlig och skriftlig presentation av projektarbete (4,5 hp).

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.

Versioner av kursplanen

Litteratur

Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.

Skriv ut