Studiecirkel i djupa neuralnät
Deep Learning - Study Circle

FRT170F, 7,5 högskolepoäng

Gäller från och med: Höstterminen 2016
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2017-06-01

Allmänna uppgifter

Avdelning: Reglerteknik
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

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

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• 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.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• 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.

Kursinnehåll

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.

Kurslitteratur

Goodfellow, B. & Courville: Deep Learning (manuscript).
Bokmanuskript: https://github.com/HFTrader/DeepLearningBook/blob/master/DeepLearningBook.pdf

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, laborationer

Kursens examination

Examinationsformer: 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.
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

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

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga:
Hemsida: http://www.control.lth.se/Education/DoctorateProgram/deep-learning-study-circle.html