Dyb læring

• Demonstrere viden om maskinlæringsterminologi såsom likelihood funktion, maksimum likelihood, Bayesiansk inferens, fuldt-forbundne, foldnings-baserede og sekvens neurale netværk og error back propagation.
• Forstå og forklar valg og begrænsninger af model for en given anvendelse.
• Anvende og analysere resultater fra dybe neural netværk anvendt i øvelser og eget projektarbejde.
• Planlægge, afgrænse og udførelse et anvendt eller metodeorienteret projekt i samarbejde med medstuderende og vejleder.
• Vurdere og opsummere projektresultater i relation til formål, metode og anvendt data.
• Udføre projektet og fortolke resultater ved brug af GPU beregningsværtøjer såsom PyTorch.
• Strukturere og skrive en endelig kort teknisk rapport indeholdende problemformulering, beskrivelse af metoder, eksperimenter, evaluering og konklusion.
• Organisere og præsentere projektresultater ved projektfremlæggelsen og i rapporten.
• Læse, vurdere og give feedback til arbejde af andre studerende.

Kursusplan uge 1-8:
1. Introduktion til statistisk maskinlæring, fuldt-forbundne neurale netværk (FFNN) og back-propagation. Del I gør det selv med papir og blyant.
2. Introduktion til statistisk maskinlæring, fuldt-forbundne neurael netværk (FFNN) og back-propagation. Del II gør det selv med NumPy.
3. Introduktion til statistisk maskinlæring, fuldt-forbundne neurale netværk (FFNN) og back-propagation. Del III PyTorch.
4. Foldnings-baseret neurale netværk (CNN).
5. Sekvensmodellering for tekstdata med Transformere.
6. Praktisk indføring i at få det til at virke på en data science case og værktøjer til beregning på grafiske beregning enheder (GPU).
7. Variationelle metoder til ikke-superviseret og semi-superviseret læring.
8. En introduktion til reinforcement læring.

De resterende uger af semesteret bliver brugt på projektarbejde.

02450/01005/02405/02402/02403/02409/02002/02631/02632/02633/02634, Differentialregning (kæderegel for differentiation), basal lineær algebra, basal multivariat sandsynlighedsteori, basal statistik og maskinlæring (maksimum likelihood, Bayes, over- og underfitting, regularisering) og programmering (primært Python eller PyTorch).

Omvendt klasseværelse (videoforelæsninger, online quiz, peer grading, klassediskussioner), øvelser, studenterprojekter (1-5 deltager).

Dyb læring (engelsk deep learning) er en fællesbetegnelse for en type statistiske modeller der ligger bag fremskridt indenfor vigtige områder i kunstig intelligens såsom tale- og billedgenkendelse. Udviklingen er drevet af fremskridt i computerkraft, adgang til stadig større mængder træningsdata og nye algoritmer. Man vil i de kommende år kunne forvente at disse metoder vil føre til tekniske fremskridt indenfor mange datadrevne områder. Dyb læring har derfor i disse år stor akademisk og industriel bevågenhed.

Dette maskinlæringskursus har fokus på værktøjer for beregning og anvendelse. Projektarbejdet bliver udført i samarbejde med forskere på DTU Compute og/eller en virksomhed.

Kurset er en del af fokusområdet Machine Learning and Signal Processing under Master of Mathematical Modelling and Computing uddannelsen.

Minimum 20.

Vær opmærksom på, at dette enkeltfagskursus har et minimumskrav for antal deltagere for at kunne oprettes. Du får besked om, hvorvidt kurset oprettes senest 8 dage før kursusstart.