02462 Signaler og data

2024/2025

Kursusinformation
Signals and data
Engelsk
5
Bachelor
Retningsspecifikt kursus (BSc), Kunstig Intelligens og data
Teknologiske linjefag, Kunstig Intelligens og Data
Efterår
Campus Lyngby
Forelæsninger, teoretisk og eksperimentel problem løsning, projektarbejde
13-uger
E4A
Mundtlig eksamen
Alle hjælpemidler - med adgang til internettet
7-trins skala , ekstern censur
Minimum 15
Hiba Nassar , Lyngby Campus, Bygning 321 , hibna@dtu.dk
Lars Kai Hansen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3889 , lkai@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren

Kurset er kun for BSc i Kunstig intelligens og data
Overordnede kursusmål
Kurset sigter mod at give studerende en dyb forståelse af signal- og dataanalyse inden for rammerne af AI-systemer, med fokus på repræsentation, forbedring og fortolkning af komplekse signaler såsom billeder, lyd og tekst. Gennem brugen af Python og avancerede AI-metodologier, herunder maskinlæringsmodeller og neurale netværk, vil studerende lære at behandle og analysere signaler, idet de adresserer forskellige udfordringer. Kurset er designet til at bygge bro mellem teoretiske koncepter og praktiske anvendelser, hvilket gør det muligt for studerende at anvende deres viden på virkelige AI-udfordringer og at kommunikere deres fund effektivt.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Diskuter principperne for billedanalyse, herunder repræsentation af gråskala- og RGB-billeder, og anvend nøgleafstandsmål for billedsammenligning
  • Forstå principperne for billedfiltrering, herunder konvolution og indvirkningen af padding, og udforsk grundlæggende om CNN'er med fokus på at forebygge overtilpasning og under-tilpasning.
  • Diskuter signalbehandlingskoncepter såsom at skelne mellem analoge og digitale signaler.
  • Forstå signalbehandlingsteknikker, herunder Fourier-transformationer og filtrering, med anvendelser på virkelige data som lyd, EEG og hjertesignaler.
  • Identificer en grundlæggende forståelse af naturlig sprogbehandling ved at lære om Bag-of-Words og Latent Semantisk Analyse, samt hvordan man implementerer avancerede GloVe-indlejringer og FastText.
  • Diskuter avancerede AI-emner, herunder transferlæring, opmærksomhedsmekanismer og kapaciteterne hos prominente Transformer-modeller som BERT og GPT, for sofistikeret signal- og dataanalyse.
  • Vurder effektiviteten af de tidligere modeller i virkelige anvendelser, ved kritisk at vurdere deres præstation og identificere potentielle forbedringer.
  • Anvend teoretisk viden på virkelige problemer ved brug af Python og Python-notebooks, hvilket forbedrer læring gennem praktisk implementering, med støtte fra AI-kodningsassistenter som GitHub Copilot til at forbedre kodningsfærdigheder og forståelse af de tilbudte kodeeksempler.
Kursusindhold
Studér AI-signaler såsom billeder, lyd og tekst, med stærk vægt på vektorrumsrepræsentationer på tværs af disse forskellige datatyper for at forbedre signaltræk og undertrykke støj. Forstå principperne bag 1D og 2D for effektiv signalbehandling. Udforsk avancerede AI-emner, herunder relative repræsentationer, transferlæring og den revolutionerende indvirkning af opmærksomhedsmekanismer i Transformere, med særligt fokus på applikationer som BERT og GPT. Engager dig i praktiske Python-øvelser og interaktive notebooks for at visualisere, fortolke og manipulere AI-signaler, integrerende praktiske anvendelser og teoretiske koncepter.
Litteraturhenvisninger
Forelæsningsnoter, Python-notesbøger, relevante opslagsbøger og nyere forskningsartikler
Sidst opdateret
02. maj, 2024