Faglig innhold

Faget er en videreføring av TDT4173 Maskinlæring. Det gis en grundig innføring i dyp læring. Faget dekker både det matematiske og komputasjonelle grunnlaget for dyp læring, praktiske anvendelser som analyse av bilder, tekst, og andre dataformater. Det gis innføring i bruk av moderne software-rammeverk for dype nett. Disse skal brukes i noen prosjekter, mens andre oppgaver krever rimelig lavt-nivå programming i språk som Python.

Læringsutbytte

Kunnskaper: Generelle prinsipper for lærende/adapterende systemer. Det matematiske og komputasjonelle fundamentet for dyp læring Hvordan man kan anvende dyp læring i forskjellige praktiske anvendelser. Ferdigheter: Vurdere forskjellige rammeverk for dyp læring i spesifikke bruks-situasjoner Evne til å analysere matematiske basis for diverse dyp-lærings systemer i litteraturen. Lage komputasjonelle systemer som realiseres dyp læring. Generell kompetanse: Kjenne dyp lærings grunnlag hentet fra matematikk og kognitive vitenskaper. Forstå muligheter og begrensninger ved dyp læring i praktiske anvendelser.

Læringsformer og aktiviteter

Forelesninger, selvstudium. Det gis øvinger i løpet av semesteret der en andel må godkjennes for å kunne gå opp til eksamen.

Obligatoriske aktiviteter

• Obligatoriske øvinger

Spesielle vilkår

Anbefalte forkunnskaper

Noe erfaring med programmering i Python

Forkunnskapskrav

TMA4115 Matematikk 3, TDT4120 Algoritmer og datastrukturer, TDT4171 Metoder i kunstig intelligens, og TDT4173 Maskinlæring.

Kursmateriell

Ian Goodfellow, Yoshua Bengio og Aaron Courville: Deep Learning (2016). MIT Press. Supplerende artikler deles ut ved behov.