DM568: Deep Learning

Studerende, der følger kurset, forventes at:

• Være erfarne i at programmere (python).
• Have grundlæggende kendskab til lineær algebra.
• Have viden svarende til to års bachelorstudie i datalogi.

Machine learning er blevet en del af hverdagen, fra simple produktanbefalinger over personlige elektroniske assistenter til selvkørende biler. Især deep learning har tiltrukket sig stor interesse i medierne og har demonstreret imponerende resultater. Dette intensive kursus vil introducere den studerende til deep learning. Vi vil lære om den teoretiske baggrund og begreberne som ligger bag deep learning, og vil møde og diskutere de centrale anvendelser af deep learning, samt metodens begrænsninger. Alt stof vil blive bragt i direkte anvendelse via øvelser og programmeringsopgaver.

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

• Give viden om et udvalg af specialiserede modeller og metoder udviklet inden for datalogi baseret på højeste internationale forskning, samt viden om datalogiske modeller og metoder beregnet til anvendelser i andre faglige områder.
• Give færdigheder i at beskrive, analysere og løse datalogiske problemstillinger ved hjælp af de lærte modeller, analysere fordele og ulemper ved forskellige datalogiske metoder, samt udvikle nye varianter af de lærte metoder, hvor det konkrete problem kræver det.
• Give kompetence til planlægge og udføre videnskabelige projekter på højt fagligt niveau.

• Beskrive principperne bag deep neural networks i præcist og videnskabeligt sprog og notation.
• Analysere forskellige typer af neurale netværk, deres lag og disses interaktion.
• Diskutere anvendeligheden af deep learning metoder for konkrete problemer.
• Beskrive den teoretiske matematiske baggrund for området.
• Implementere og anvende deep learning frameworks til løsning af konkrete problemstillinger.
• Anvende state-of-the-art deep learning frameworks til at implementere deep neural networks.

Kurset indeholder følgende faglige hovedområder:

• feedforward neural networks
• recurrent neural networks
• convolutional neural networks
• backpropagation-algoritmen
• regularisering

• Introfase (forelæsning) - Antal timer: 24
  
• træningsfase: Antal timer: 36, heraf 18 timer laboratorieøvelser og 18 timer eksaminatore 

The course will consist of frontal lectures supported by a discussion session followed by an accompanying exercise or lab session. Here, the students are supposed to directly transfer their acquired knowledge into practice by solving problems of increasing difficulty.

Studiefaseaktiviteter: De studerende skal arbejde sammen i små grupper og gennemgå kursusmaterialet og læse de tilhørende kapitler til næste forelæsningsdag.