Artificiella neurala nätverk

Valbar kurs i masterprogram. Rekommenderad för master i komplexa adaptiva system.

Fysik, Chalmers

Kandidatexamen inklusive minst 30hp matematik, samt programmering.

Syftet med kursen är att introducera studenterna till maskininlärning med neurala nätverk, fördelade beräkningsmodeller inspirerade av strukturen i den mänskliga hjärnan som består av många enkla bearbetningselement, anslutna i ett nätverk. Neurala nätverk har revolutionerat hur vi angriper viktiga problem inom ingenjörsvetenskapen, som bildanalys (igenkänning av objekt och deras lokalisering i bilden), prediktion, och kontroll. Kursen ger en överblick och en grundläggande förståelse av de viktigaste algoritmerna som används nuförtiden, och visar likheter samt skillnader mellan dessa metoder. Huvudvikten ligger på tre sammanhängande metoder: rekurrenta (Hopfield) nätverk, djupinlärning, och algoritmer för oövervakad inlärning (s.k. reinforcement learning). Målet är att förklara hur och varför algoritmerna fungerar, när och hur de misslyckas, hur man programmerar standardmetoderna från början, och hur man använder moderna programmeringsmetoder.

1. Statistisk mekanik av neurala nätverk

McCulloch Pitts nervceller, Hopfield modell, stokastisk optimering,
Boltzmann maskiner

2. Djup inlärning med neurala nätverk
Perceptroner, backpropagation, stokastisk gradientnedstigning, djup inlärning, rekurrenta nätverk
3. Oövervakad inlärning
Hebbs algoritm, radiala basis funktioner, inlärning med förstärkning

-kunna skilja mellan övervakad och oövervakad inlärning, förklara de viktigaste principerna för de motsvarande algoritmerna, och förstå deras skillnader och likheter
-förstå under vilka förutsättningar man med fördel kan använda neurala nätverk
-förstå begränsningar och grundläggande problem med olika neurala nätverks algoritmer
-kunna implementera algoritmerna som introducerats i klassen, från grunden och med hjälp av befintliga programpaket
-tolka resultaten av datorsimuleringar, och kommunicera slutsatser på ett tydligt, logiskt, och kortfattat sätt
-kunna sammanfatta den historiska utvecklingen av ämnet
-Att ha insikt om etiska och risker aspekter som rör maskininlärning, speciellt med avseende på kön och etnicitet
-Att ha insikter om både utmaningar och möjligheter som finns i arbete i interkulturella miljöer

Kursen bygger på kompendiet Machine learning with neural networks https://arxiv.org/abs/1901.05639.

Föreläsningar

Hemuppgifter

Programmering med valfritt programmeringsspråk (vanligen antingen Matlab eller Python). Vi använder OpenTA.

Övningsklasser

Hemuppgifter och tentamensfrågor

Gästföreläsningar

Aktuella forsknings och utvecklingsfrågor, möjliga exjobb

Inspelade korta föreläsningar

Slutbetyg baseras delvis på inlämningsuppgifter (50%) och delvis på en skriftlig tenta (50%). För godkänd betyg krävs poäng på både tenta och inlämningsuppgifter, varav ett minimum antal poäng på den skriftliga tentamen.

Om en student som har underkänts två gånger på samma examinerande moment önskar byta examinator inför nästa examinationstillfälle ska en sådan begäran bifallas om det inte finns särskilda skäl däremot (6 kap. 22 § HF).

Om en student har fått besked om pedagogiskt stöd från Göteborgs universitet med rekommendation om anpassad examination och/eller anpassad examinationsform kan examinator, i det fall det är förenligt med kursens lärandemål och förutsatt att inte orimliga resurser krävs, besluta att bevilja studenten anpassad examination och/eller anpassad examinationsform.

Om en kurs har avvecklats eller genomgått en större förändring ska studenten erbjudas minst två examinationstillfällen, utöver ordinarie examinationstillfälle. Dessa tillfällen fördelas under en tid av minst ett år, dock som längst två år efter det att kursen avvecklats/förändrats. Vad gäller praktik och verksamhetsförlagd utbildning (VFU) gäller motsvarande, men med begränsning till endast ett ytterligare examinationstillfälle.

Om en student har fått besked om att denne uppfyller kraven för att vara student vid Riksidrottsuniversitetet (RIU-student) har examinator rätt att besluta om anpassning vid examination, om detta görs i enlighet med Lokala regler gällande RIU-studenter vid Göteborgs universitet.

Resultatet och eventuella förändringar i kursens upplägg ska förmedlas både till de studenter som genomförde värderingen och till de studenter som ska påbörja kursen.