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

Teaching