Opintojakso

Näytä opetustapahtumat
3621675 Syväoppiminen, 6 op 
Tunniste 3621675  Voimassaolo 01.01.1950 -
Nimi Syväoppiminen  Lyhenne DEL 
Laajuus6 op  Vanhenemisaika  
TyyppiSyventävät opinnot Oppiaine0530 Tietojenkäsittelytiede 
LajiOpintojakso  Tuntimäärä  
Opinto-oikeus   Arvostelu0-5 
Suositeltu suoritusaika 
   
Vastuuyksikkö Tietojenkäsittelytiede (J,K) 

Kuvaus:
Osaamistavoitteet 

Students understand the theory of neural networks, Nature-Inspired Computing (NIC) methods, and deep learning algorithms. Students get familiar with the most popular neural networks models (Perceptron, Adaline, multilayer neural networks, Self-Organizing Map (SOM), etc.) and their learning algorithms (Widrow-Hoff rule, Back-Propagation (BP) training, Back-propagation Through Time (BTT) training, competitive learning, etc.). Students master the essential knowledge of deep learning techniques, such as regularization, momentum, batch normalization, and dropout. Students understand the principles, structures, and algorithms of typical deep learning neural networks, e.g., Convolutional Neural Networks (CNN). Students know how to build up deep learning algorithms from scratch. Students gain the hand-on experiences in using deep learning techniques to deal with practical problems

 
Sisältö 

Elementary concepts and challenges of machine learning. Neural networks models (linear neural networks, feedforward neural networks, recurrent neural networks, Self-Organizing Map (SOM), etc.). Deep reinforcement learning. Concepts and challenges of deep learning. Deep learning models and techniques (deep neural networks, Convolutional Neural Networks (CNN), AutoEncoder, Long Short Term Memory (LSTM), etc.). Applications of deep learning in classification, prediction, pattern recognition, etc.

 
Suoritustavat 

Lectures, teaching materials, exercises, and examination

 
Toteutustavat 

distance teaching and study                           

 
Oppimateriaalit 

II. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT Press, 2017, A. P. Engelbrecht, Fundamentals of Computational Swarm Intelligence, John Wiley & Sons Ltd, 2005, S. Haykin, Neural Networks, A Comprehensive Foundation, Prentice Hall, 2008, lecture slides and notes, selected papers from journals and conference proceedings

 
Arvosteluperusteet 

Grading (80% examination and 20% computer exercises): 0-5

 
Edellytykset 

Basic knowledge of linear algebra and probability theory              

 
Ajankohta 

Fall semester

 
Tarjontatieto 

This course is open to everyone

 
Lisätietoja 

Teaching language: English

 


Kirjainlyhenne opetustapahtuman nimen edessä tarkoittaa kampusta, jolla opetus tai tentti järjestetään: J = Joensuu, K = Kuopio.

Meneillä oleva ja tuleva opetus
Toiminnot Nimi Tyyppi op Opettaja Aikataulu
Ilmoittautuminen ei alkanut (KUOPIO): Syväoppiminen  Luento- ja harjoituskurssi  Xiaozhi Gao  27.10.20 -05.02.21
Ilmoittautuminen ei alkanut (JOENSUU): Syväoppiminen  Luento- ja harjoituskurssi  Xiaozhi Gao  27.10.20 -05.02.21

Tulevat tentit
Ei yleisiä tenttejä WebOodissa