Deep Learning för medieteknik, 6 hp

Deep learning for media technology, 6 credits

TNM112

Huvudområde

Datateknik Medieteknik

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Gabriel Eilertsen

Studierektor eller motsvarande

Camilla Forsell

Undervisningstid

Preliminär schemalagd tid: 0 h
Rekommenderad självstudietid: 160 h
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Period Block Språk Ort/Campus VOF
6CMEN Civilingenjör i medieteknik 9 (HT 2023) 2 2 Svenska/Engelska Norrköping V
6CMEN Civilingenjör i medieteknik (Avancerade tekniker för ljud- och bildmedier) 9 (HT 2023) 2 2 Svenska/Engelska Norrköping V
6CMEN Civilingenjör i medieteknik (Visualisering) 9 (HT 2023) 2 2 Svenska/Engelska Norrköping V

Huvudområde

Datateknik, Medieteknik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Särskild 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

TEN1Skriftlig tentamen3 hpU, 3, 4, 5
LAB1Laborationskurs3 hpU, G

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig 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 både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

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.

Om det föreligger synnerliga skäl får rektor i särskilt beslut ange förutsättningarna för, och delegera rätten att besluta om, tillfälliga avsteg från denna kursplan. 

Institution

Institutionen för teknik och naturvetenskap

Kurslitteratur

Kompletterande litteratur

Böcker

Kod Benämning Omfattning Betygsskala
TEN1 Skriftlig tentamen 3 hp U, 3, 4, 5
LAB1 Laborationskurs 3 hp U, G

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/

I = Introducera, U = Undervisa, A = Använda
I U A Moduler Kommentar
1. ÄMNESKUNSKAPER
1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen

                            
1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen

                            
1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen

                            
1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen

                            
1.5 Insikt i aktuellt forsknings- och utvecklingsarbete

                            
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
2.1 Analytiskt tänkande och problemlösning

                            
2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning

                            
2.3 Systemtänkande

                            
2.4 Förhållningssätt, tänkande och lärande

                            
2.5 Etik, likabehandling och ansvarstagande

                            
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
3.1 Arbete i grupp

                            
3.2 Kommunikation

                            
3.3 Kommunikation på främmande språk

                            
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

                            
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.