ET2638 - Djupinlärning - Blekinge Tekniska Högskola

1. Beslut

Denna kurs är inrättad av dekan 2024-10-08. Kursplanen är fastställd av prefekten vid institutionen för matematik och naturvetenskap 2025-05-21 och gäller från 2025-05-21.

2. Förkunskapskrav

För tillträde till kursen krävs genomgången kurs om 5 hp i signaler och system och genomgången kurs om 5 hp i maskininlärning eller tillämpad maskininlärning. Engelska 6.

3. Syfte och innehåll

3.1 Syfte

Djupinlärningsmetoder används i stor utsträckning inom olika områden inom teknik, såsom datorseende, signalbehandling och fjärranalys. Syftet med kursen är att introducera studenterna till neurala nätverk och grunderna i djupinlärning för olika tillämpningar som klassificering, detektion och signalrekonstruktion. Dessutom diskuterar kursen olika arkitekturer som Convolutional Neural Networks (CNNS), Recurrent Neural Networks (RNNS) och Autoencoders.

3.2 Innehåll

Introduktion till artificiella neurala nätverk
Aktiveringsfunktioner, förlustfunktioner, regulariseringstekniker, optimeringsalgoritmer
och förbehandling av data
Grunderna i djupinlärning och djupa neurala nätverk
Faltningsnätverk (CNN)
Återkommande neurala nätverk (RNN) och sekvensmodellering
Autokodare: kodnings-avkodningsstrukturer, brusreducering och variationella autokodare
Avancerade djupinlärningsmetoder för klassificering och identifiering
Träningsstrategier: överföringsinlärning, finjustering och dataförstärkning
Tillämpningar av djupinlärning inom olika domäner, inklusive signalbehandling, datorseende och tidsserieanalys

4. Lärandemål

Följande lärandemål examineras i kursen:

4.1. Kunskap och förståelse

Efter genomförd kurs ska studenten kunna:

Förklara grunderna i neurala nätverk och djupinlärning.
Förklara verkliga tillämpningar av djupinlärningsmetoder.
Visa kunskap om design och funktionalitet av djupinlärningsmetoder.

4.2. Färdighet och förmåga

Efter genomförd kurs ska studenten kunna:

Designa, implementera och tillämpa djupinlärningsmetoder för relevanta tillämpningar.
Förbereda datauppsättningar, föreslå metoder för djupinlärning och utvärdera prestanda.
Implementera djupinlärningsmetoder för olika applikationer med hjälp av ett programmeringsspråk.

4.3. Värderingsförmåga och förhållningssätt

Efter genomförd kurs ska studenten kunna:

Utvärdera förslag på djupinlärning och deras lämplighet för olika problem.
Tillhandahålla ett systematiskt tillvägagångssätt för att implementera djupinlärningsmetoder.

5. Läraktiviteter

Kursen bedrivs i form av föreläsningar, övningar, projekt och inlämningsuppgifter. En webbaserad kursplattform används för att ge studenterna tillgång till kursmaterial.

6. Bedömning och examination

Examinationsmoment för kursen

Kod	Benämning	Omf.	Betyg
2605	Salstentamen [1]	3 hp	AF
2615	Inlämningsuppgift	3 hp	GU

[1] Bestämmer kursens slutbetyg vilket utfärdas först när samtliga moment godkänts.

Kursen bedöms med betygen A Utmärkt, B Mycket bra, C Bra, D Tillfredställande, E Tillräckligt, Fx Underkänd, något mer arbete krävs, F Underkänd.

Examinator har möjlighet att muntligen följa upp skriftliga examinationer.

I kurstillfällets information inför kursstart framgår i vilka examinationsmoment som kursens lärandemål examineras samt gällande bedömningsgrunder.

Examinator kan, efter samråd med högskolans FUNKA-samordnare, fatta beslut om anpassad examinationsform för att en student med varaktig funktionsvariation ska ges en likvärdig examination jämfört med en student utan funktionsvariation.

7. Kursvärdering

Kursvärdering ska göras i enlighet med BTH:s beslut om frågeställning i kursvärderingar och beslut om process för hantering och uppföljning av kursvärderingar.

8. Begränsningar i examen

Kursen kan ingå i examen men inte tillsammans med annan kurs vars innehåll, helt eller delvis, överensstämmer med innehållet i denna kurs.

9. Kurslitteratur och övriga lärresurser

Delar av följande böcker ingår i kursen:

Deep Learning by Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press, 2016. ISBN:9780262035613
Deep Learning with Python by François Chollet, Manning Publications, 2022. ISBN: 9781617296864
Introduction to Machine Learning by Ethem Alpaydin, MIT Press, 2020. ISBN: 9780262043793

Samt material från institutionen.