Dype nevrale nett (ELE680)
I dette emnet vil du bli introdusert til grunnleggende metoder for dyplæring, de mest effektive og vanlige typer dype nettverk som benyttes og hvordan du kan bygge, trene og evaluere dype nett for ulike applikasjoner.
Dette er emnebeskrivelsen for studieåret 2024-2025. Merk at det kan komme endringer.
Emnekode
ELE680
Versjon
1
Vekting (stp)
5
Semester undervisningsstart
Høst
Antall semestre
1
Vurderingssemester
Høst
Undervisningsspråk
Engelsk
Innhold
NB! Dette er et valgemne og dersom det er færre enn 10 studenter oppmeldt pr. 20. august for høstsemesteret, kan dette medføre at emnet ikke tilbys.
I dette emnet vil du bli introdusert til grunnleggende metoder for dyplæring, de mest effektive og vanlige dype nettverkene og deres bruksområder, og hvordan du kan bygge, trene og evaluere dype nett for ulike applikasjoner. Dette inkludererer:
- Neurons, layers, back propagation, optimizers, loss functions, hyperparameters
- Unsupervised, supervised and semi-supervised learning approaches.
- Transfer learning
- Multilayer Perceptron Network (MPN)
- Convolutional Neural Network (CNN)
- Time Series analysis
- Reccurent Neural Network (RNN) and Long Short-term Memmory networks (LSTMs)
- Autoencoders
Natural language processing (NLP)
- Natural language understanding and Embeddings.
- Image classification and Object detection
- Video Activity recognition
- Deep Reinforcement Learning
- Deep learning in image reconstruction and medical imaging.
- Transformers
Læringsutbytte
Forkunnskapskrav
Anbefalte forkunnskaper
Eksamen / vurdering
Vurderingsform | Vekting | Varighet | Karakter | Hjelpemiddel |
---|---|---|---|---|
Prosjektoppgave i grupper | 1/1 | Bokstavkarakterer |
Det tildelte prosjektet gjennomføres i grupper på to studenter. Unntaksvis kan det være en eller tre studenter per gruppe. Rapporten beskriver og dokumenterer arbeidet i prosjektet. Rapporten er laget i samarbeid med alle deltakerne i gruppen, og alle deltakerne vil få samme karakter. En muntlig presentasjon av prosjektet er en obligatorisk del av prosjektet.Det tilbys ikke kontinuasjonseksamen i dette emnet. Ny prosjektrapport må leveres neste gang emnet undervises.
Vilkår for å gå opp til eksamen/vurdering
Fagperson(er)
Emneansvarlig:
Øyvind Meinich-BacheAnsvarlig laboratorieøvelser:
Ketil OppedalFaglærer:
Øyvind Meinich-BacheFaglærer:
Vinay Jayarama SettyFaglærer:
Mahdieh KhanmohammadiFaglærer:
Krisztian BalogFaglærer:
Trygve Christian EftestølFaglærer:
Kjersti EnganInstituttleder:
Tom RyenArbeidsformer
Emnet har en varighet på ca. 8 uker og er ferdig i midten av oktober. Forelesningene vil strekke seg over de første 5 uker, hvor det foreleses 2-4 timer pr uke. Det forventes at studenten bruker ytterligere 6-8 timer i uken på selvstudium og øvinger.
Prosjektet gjennomføres i løpet av de 3 siste ukene av emnet, og det forventes at hver student bruker ca. 15 timer per uke.