Deep Learning för medieteknik, 6 hp
Deep learning for media technology, 6 credits
TNM112
Huvudområde
Datateknik MedieteknikUtbildningsnivå
Avancerad nivåKurstyp
ProgramkursExaminator
Gabriel EilertsenStudierektor eller motsvarande
Camilla ForsellUndervisningstid
Preliminär schemalagd tid: 0 hRekommenderad självstudietid: 160 h
Kursen ges för | Termin | Period | Block | Språk | Ort/Campus | VOF | |
---|---|---|---|---|---|---|---|
6CMEN | Civilingenjör i medieteknik | 9 (HT 2026) | 2 | 2 | Svenska/Engelska | Norrköping | V |
6CMEN | Civilingenjör i medieteknik (Avancerade tekniker för ljud- och bildmedier) | 9 (HT 2026) | 2 | 2 | Svenska/Engelska | Norrköping | V |
6CMEN | Civilingenjör i medieteknik (Visualisering) | 9 (HT 2026) | 2 | 2 | Svenska/Engelska | Norrköping | V |
Huvudområde
Datateknik, MedieteknikUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1NSärskild information
Kursen kan ej ingå i examen tillsammans med TBMI26.
Kursen ges för
- Civilingenjörsprogram i medieteknik
Förkunskapskrav
Sannolikhetslära och statistik, matematisk analys, linjär algebra och grundläggande programmering. Grunder i maskininlärning är fördelaktigt, men inte ett krav.
Rekommenderade förkunskaper
Sannolikhetslära och statistik, matematisk analys, linjär algebra och grundläggande programmering. Grunder i maskininlärning är fördelaktigt, men inte ett krav.
Lärandemål
Kursens mål är att lära ut grunderna i djupinlärning, såväl teoretiska som praktiska, samt att ge övergripande kunskaper om moderna tekniker och tillämpningar relaterade till djupinlärning för bild, grafik och ljud.
Efter avslutad kurs ska deltagaren kunna:
- redogöra för grunderna i hur artificiella neuronnät konstrueras och optimeras, samt visa tydlig förståelse för hur teoretiska begrepp knyter an till praktiska situationer,
- demonstrera kunskap om moderna metoder för hur neuronnät kan konstrueras, optimeras och användas i olika sammanhang inom datorseende, bildbehandling, datorgrafik, språkförståelse och visualisering,
- använda existerande verktyg för att med djupinlärning lösa väldefinierade klassificerings- och regressionsproblem inom digital media,
- använda tekniker för att testa och förbättra prestanda i neuronnät, inklusive koncept såsom detektion av överpassning och tekniker för att öka generaliseringsförmåga,
- formulera och lösa enklare problem från grunden, inklusive datainsamling, val av teknik, samt analys av resultat,
- reflektera kring konsekvenserna av en ökande användning av djupinlärning i samhället, såväl möjligheter som potentiella problematiska frågeställningar.
Kursinnehåll
Översikt av maskininlärning. Artificiella neuronnät (ANN) och begreppet djupinlärning. Inlärningsparadigm (övervakad/oövervakad/semiövervakad/självövervakad/förstärkt inlärning). Optimering av ANN (back-propagation, stochastic gradient descent, momentum, batch normalization). Regularisering (augmentation, drop-out, early-stopping). Data (bilder/video/ljud/3D, representation, träning/test, bias, adversarial examples). Arkitekturer (faltningsnät, auto-encoders, återkopplade nät, residual-nät). Generativ djupinlärning. Tillämpningar (datorseende, bildbehandling, datorgrafik, språkförståelse, visualisering) och omvärld (inverkan på samhälle, etik, bias).
Undervisnings- och arbetsformer
Undervisningen består av föreläsningar, lektioner och laborationer. Föreläsningarna lär ut teori och förklarar delar av den intensiva forskning som ägt rum inom djupinlärning det senaste årtiondet. Lektionerna behandlar de praktiska aspekterna kring användning av verktyg för att lösa problem med djupinlärning; kunskap som sedan används i laborationerna för att konstruera och optimera neuronnät.
Examination
TEN1 | Skriftlig tentamen | 3 hp | U, 3, 4, 5 |
LAB1 | Laborationskurs | 3 hp | U, G |
Betygsskala
Fyrgradig skala, LiU, U, 3, 4, 5Övrig information
Om undervisnings- och examinationsspråk
Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt". Examinationsspråk relaterar till undervisningsspråk enligt nedan:
- Om undervisningsspråk är ”Svenska” kan kursen ges i sin helhet på svenska eller delvis på engelska. Examinationsspråk är svenska, men delar av examinationen kan ske på engelska.
- Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska. Examinationsspråk är engelska.
- Om undervisningsspråk är ”Svenska/Engelska” ges kursen i sin helhet på engelska om studenter utan tidigare kunskap i svenska språket deltar. Examinationsspråk följer undervisningsspråk.
Övrigt
Kursen bedrivs på ett sådant sätt att likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.
Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.
Kursen är campusförlagd på den ort som anges för kurstillfället om inget annat anges under ”Undervisnings – och arbetsformer”. I en campusförlagd kurs kan dock enstaka moment på distans ingå.
Institution
Institutionen för teknik och naturvetenskapKurslitteratur
Kompletterande litteratur
Böcker
- Goodfellow, Ian, Bengio, Yoshua, Courville, Aaron, (2016) Deep learning. Cambridge, MA : MIT Press, [2016]
ISBN: 9780262035613, 0262035618
https://www.deeplearningbook.org/ - Michael Nielsen, (2019) Neural Networks and Deep Learning Online
http://neuralnetworksanddeeplearning.com/
Kod | Benämning | Omfattning | Betygsskala |
---|---|---|---|
TEN1 | Skriftlig tentamen | 3 hp | U, 3, 4, 5 |
LAB1 | Laborationskurs | 3 hp | U, G |
Kompletterande litteratur
Böcker
ISBN: 9780262035613, 0262035618
Ladda ner
I | U | A | Moduler | Kommentar | ||
---|---|---|---|---|---|---|
1. ÄMNESKUNSKAPER | ||||||
1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen |
|
|
X
|
Analys, linjär algebra, statistik |
||
1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen |
|
|
X
|
LAB1
|
Programmering |
|
1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen |
|
X
|
X
|
TEN1
LAB1
|
||
1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen |
X
|
X
|
X
|
TEN1
LAB1
|
||
1.5 Insikt i aktuellt forsknings- och utvecklingsarbete |
X
|
|
|
Introduktion till forskningslitteratur |
||
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT | ||||||
2.1 Analytiskt tänkande och problemlösning |
|
|
X
|
TEN1
LAB1
|
Problemlösningsfokus i laborationskurs och tenta |
|
2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning |
|
X
|
X
|
LAB1
|
Experimentell problemlösning |
|
2.3 Systemtänkande |
|
|
|
|||
2.4 Förhållningssätt, tänkande och lärande |
|
|
X
|
LAB1
|
||
2.5 Etik, likabehandling och ansvarstagande |
|
X
|
|
TEN1
|
Etiska överväganden inom AI |
|
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA | ||||||
3.1 Arbete i grupp |
|
|
X
|
LAB1
|
||
3.2 Kommunikation |
|
|
X
|
LAB1
|
Individuell skriftlig rapport |
|
3.3 Kommunikation på främmande språk |
|
|
|
Litteratur på engelska |
||
4. PLANERING, UTVECKLING, REALISERING OCH DRIFT AV TEKNISKA PRODUKTER OCH SYSTEM MED HÄNSYN TILL AFFÄRSMÄSSIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV | ||||||
4.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling |
X
|
|
|
|||
4.2 Företags- och affärsmässiga villkor |
|
|
|
|||
4.3 Att identifiera behov samt strukturera och planera utveckling av produkter och system |
|
|
|
|||
4.4 Att konstruera produkter och system |
|
|
|
|||
4.5 Att realisera produkter och system |
|
|
|
|||
4.6 Att ta i drift och använda produkter och system |
|
|
|
|||
5. PLANERING, GENOMFÖRANDE OCH PRESENTATION AV FORSKNINGS- ELLER UTVECKLINGSPROJEKT MED HÄNSYN TILL VETENSKAPLIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV | ||||||
5.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling för kunskapsutveckling |
|
|
|
|||
5.2 Ekonomiska villkor för kunskapsutveckling |
|
|
|
|||
5.3 Att identifiera behov samt strukturera och planera forsknings- eller utvecklingsprojekt |
|
|
|
|||
5.4 Att genomföra forsknings- eller utvecklingsprojekt |
|
|
|
|||
5.5 Att redovisa och utvärdera forsknings- eller utvecklingsprojekt |
|
|
|
Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.
Det finns inga filer att visa.