Kursplan fastställd 2021-02-08 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnAdvanced machine learning with neural networks
- KurskodTIF360
- Omfattning7,5 Högskolepoäng
- ÄgareMPCAS
- UtbildningsnivåAvancerad nivå
- HuvudområdeTeknisk fysik
- InstitutionFYSIK
- BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 11111
- Max antal deltagare80 (minst % av platserna reserveras för utbytesstudenter)
- Blockschema
- Sökbar för utbytesstudenterJa
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
|---|---|---|---|---|---|---|---|
| 0120 Projekt 7,5 hp Betygsskala: TH | 7,5 hp |
I program
Examinator
- Giovanni Volpe
Behörighet
Grundläggande behörighet för avancerad nivåSökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Särskild behörighet
Engelska 6Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
Analys i en variabel och flera variabler, linjär algebra, programmering. Första kurs i maskininlärning med neurala nätverk (FFR135, SSY340 eller liknande).Syfte
Kursen introducerar studenterna till moderna metoder i maskininlärning med hjälp av artificiella neurala nätverk. Denna avancerade kurs bygger på Maskininlärning med neurala nätverk (FFR135) och ger en djupgående analys av många av de koncept och algoritmer som kort introducerades i den kursen, med särskild tonvikt på tillämpningar inom naturvetenskap och teknikvetenskap. Målet är att bli bekant med flera avancerade maskininlärningsmetoder och att programmera dem effektivt i Python med hjälp av paket för neurala nätverk. En väsentlig del av kursen är projekt inom djup maskininlärning och förstärkningsinlärning.Lärandemål (efter fullgjord kurs ska studenten kunna)
Kunskap och förståelse
- Beskriva olika neurala nätverksmodeller med deras fördelar och nackdelar
- Hitta relevant litteratur för att hålla jämna steg med detta snabbt framväxande område
Färdigheter och förmåga
- Implementera ett brett utbud av moderna neurala nätverksmodeller
- Träna och validera dessa modeller
- Optimera dessa modeller för en specifik uppgift
- Planera, hantera och genomföra ett mindre projekt inom fältet
- Skriv en rapport om resultaten av projektet
Omdöme och tillvägagångssätt
- Kritiskt analysera fördelar och nackdelar med tillgängliga neurala nätverksmodeller
- Jämföra resultaten från neurala nätverksmodeller mot andra modeller
- Utvärdera och diskutera framsteg på området neurala nätverk
Innehåll
Kursen är projektbaserad och fokuserar på moderna tillämpningar av neurala nätverk som är relevanta för forskning och industri.
Fokus:
- Vilken modell ska användas för en given uppgift?
- Hur ska modeller jämföras?
- Vad är utbytet mellan komplexitet, noggrannhet och risk för överträning i praktiska miljöer?
- Hur utvärderar man kvaliteten på förutsägelserna från modellen?
Organisation
- 1 lektion för att ge en översikt över kursen
- 3 inlämningsuppgifter som ska göras av varje student med peer-review och följt av en föreläsning som förklarar sammanhanget för dessa uppgifter
- En serie föreläsningar om aktuella ämnen där maskininlärning används i banbrytande forskning och applikationer inom industrin, som ges av lokala och internationella experter
- Ett gruppprojekt
Examination inklusive obligatoriska moment
Examinationen bygger på
- 30% inlämningsuppgifter (10% för varje)
- 20% slutprojektpresentation
- 50% slutprojektrapport
Ett nödvändigt (men inte tillräckligt) krav för godkänt betyg är att 5/10 poäng uppnås på varje inlämningsuppgift.
Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.