TEKS4141 Introduction to Deep Learning (5 cr)
Study level:
Advanced studies
Grading scale:
0-5
Language:
Finnish
Responsible organisation:
Faculty of Information Technology
Coordinating organisation:
Kokkola University Consortium Chydenius - Information technology
Curriculum periods:
2021-2022, 2022-2023, 2023-2024
Description
- Opetellaan syväoppimisen soveltamista Python-ohjelmointikielellä käytännön ongelmiin.
- Käytetään pääasiassa Googlen tarjoaman avoimen lähdekoodin TensorFlow-ohjelmistokokonaisuuden alta löytyvää syväoppimiseen suunnattua Keras-ohjelmointikirjastoa.
- Käytetään alustariippumatonta Anaconda-distribuutiota ja ohjelmoidaan selaimessa käytettävällä JupyterLab-ohjelmointityökalulla.
- Opetellaan syväoppimisen eri vaiheet ja tutustutaan erilaisiin neuroverkkoarkkitehtuureihin sekä niiden soveltuvuusalueisiin.
- Sovelletaan syväoppimismenetelmiä binääri- ja moniluokitteluongelmiin sekä regressiotehtäviin erilaisten datasettien kanssa (käytössä 16 eri datasettiä).
- Esimerkkeihin kuuluu muun muassa konenäköön, aikasarjoihin ja sekvensseihin sekä poikkeamien havaitsemiseen liittyviä sovelluksia.
- Tarkastellaan lisäksi epätasaista luokkajakoa, tekstidatan mallintamista ja virheanalyysin tekoa.
- Tutustutaan syväoppimismallien optimoinnin perusperiaatteisiin ja opetellaan oikeaoppista mallinnusprosessia.
Learning outcomes
Kurssin suoritettuaan opiskelija:
- ymmärtää mitä on syväoppiminen ja miten tekoäly, kone- ja syväoppiminen liittyvät toisiinsa
- omaa hyvän intuition syväoppimiseen liittyvistä asioista menemättä liikaa teknisiin, matemaattisiin yksityiskohtiin
- omaa hyvän rutiinin syväoppimiseen liittyvään ohjelmointiin
- ymmärtää syväoppimismallien optimoinnin eli opettamisen periaatteet ja osaa kehittää suorituskykyisiä syväoppimismalleja
- osaa soveltaa opittuja asioita tosielämän datajoukkoihin erilaisissa sovelluksissa
- omaa työkalut ja eväät oppia haastavampia ja edistyneempiä syväoppimismenetelmiä.
Additional information
Kurssi suoritetaan itsenäisesti katsomalla luentotallenteet järjestyksessä ja tekemällä loppuprojekti. Kurssi arvioidaan loppuprojektin perusteella (1-5). Uusia luentotallenteita ja vastaavat ohjelmakoodit julkaistaan viidessä osassa kahden viikon välein.
Description of prerequisites
Ei vaadi esitietoja. Hyödyllisiä edeltäviä opintoja ovat muun muassa ohjelmointiin, data-analyysiin ja tilastotieteisiin liittyvät peruskurssit.
Completion methods
Method 1
Select all marked parts
Parts of the completion methods
x
Participation in teaching (5 cr)
Type:
Participation in teaching
Grading scale:
0-5
Language:
Finnish