Engelska

Vid tillräcklig efterfrågan

Studiecirkeln ger doktorander en introduktion till den senaste tidens framsteg inom djupa neurala nätverk. Fokus ligger på att använda djupa neuralnät i praktiken.

Innehållet baseras på doktorandernas val och aktiva deltagande. Möjliga delämnen är Autoencoders, Convolutionan Networks, Structured Probabilistic Models, Restricted Boltzmann Machines, Recurrent and Recursive Nets, Deep Reinforcement Learning, Tensorflow, Deep Learning using GPUs, Stacked Denoising Autoencoders, DL for Natural Language Processing, Deconvolutionan networks, Optimization of Deep Networks.

förstå hur djupa neuralnät kan konstrueras och tränas.
känna till typiska komponenter i ett djupt neuralnät, såsom RBMs, autoencoders, RNNs.
känna till hur typiska nätverks- och träningsparametrar påverkar prestanda och inlärningshastighet för nätverken.

kunna konstruera och träna ett djupt neuralnät med hjälp av en befintlig mjukvaruplattform såsom Tensorflow, Theano, eller liknande.
kunna förstå hur ett praktiskt problem kan tillämpas på en djup neuralsarkitektur.
läsa och förstå forskningsartiklar inom ämnet djupa neuralnät.
kunna välja effektiva nätverksträningsmetoder.

Föreläsningar

Laborationer

Inlämningsuppgifter

Seminarieföredrag av deltagarna

För godkänd kurs ska doktoranden ge en föreläsning om ett delämne inom djupa neuralnät samt konstruera en lämplig inlämningsuppgift åt de andra kursdeltagarna. Doktoranden ska också lösa minst hälften av övningarna som presenteras i kursen samt ladda upp lösningar och kod till ett gemensamt kodrepositorium.

Underkänd, godkänd

Kursdeltagarna förutsätts ha tagit en grundläggande kurs i maskininlärning eller ha motsvarande förkunskaper.

Goodfellow, B. & Courville: Deep Learning (manuscript).

Bokmanuskript: https://github.com/HFTrader/DeepLearningBook/blob/master/DeepLearningBook.pdf

FRT170F

 -06-01

Professor Thomas Johansson