Maskinlæring fra naturlige signaler er forbedret betydeligt i de seneste år takket være dyb læring (DL). DL er den primære teknologi bag generativ AI for billeder og tekst. Forbedret billedgenkendelse fører til mere nøjagtig billedbaseret medicinsk diagnose. Forbedret talegenkendelse og behandling af naturligt sprog med DL vil føre til mange nye intelligente applikationer inden for sundhedspleje og IT. Mønstergenkendelse med DL i store datasæt vil give nye værktøjer til lægemiddelopdagelse, tilstandsmonitorering og mange andre databaserede applikationer.

Dette kursus give den studerende en detaljeret forståelse af dybe kunstige neurale netværk, deres træning, deres implementering på hurtige grafiske behandlingsenheder, deres begrænsninger og hvordan man formulerer læring i et bredt spektrum af scenerier. Disse inkluderer klassificering, regression, sekvenser og andre typer af struktureret input og output, samt ræsonnement i komplekse miljøer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Demonstrere viden om maskinlæringsterminologi såsom likelihood funktion, maksimum likelihood, fuldt-forbundne, foldnings-baserede, sekvens og Transformer neurale netværk, graf neurale netværk, og error back propagation.
• Forstå og forklare valg og begrænsninger af model for en given anvendelse.
• Anvende og analysere resultater fra dybe neural netværk anvendt i øvelser og eget projektarbejde.
• Planlægge, afgrænse og udføre et anvendt eller metodeorienteret projekt i samarbejde med medstuderende og vejleder*.
• Vurdere og opsummere projektresultater i relation til formål, metode og anvendt data*.
• Udføre projektet og fortolke resultater ved brug af GPU beregningsværtøjer såsom PyTorch*.
• Strukturere og skrive en endelig kort teknisk rapport indeholdende problemformulering, beskrivelse af metoder, eksperimenter, evaluering og konklusion*.
• Organisere og præsentere projektresultater ved projektfremlæggelsen og i rapporten*.
• Læse, vurdere og give feedback til arbejde af andre studerende.
• * Hvis generativ AI anvendes i disse faser, skal det dokumenteres og kritisk vurderes. En tjekliste vil blive udleveret og skal afleveres som en del af rapporten.

Kurser dækker:
* Introduktion til statistisk maskinlæring
* Flade og dybe feed-forward neurale netværk (FFNN)
* Loss functions, back propagation and initialisation
* Måling af performance, regularisering og residualnetværk
* Foldnings-baseret neurale netværk (CNN)
* Sekvensmodellering: Recurrent Neural Networks (RNNs) og Transformers
* Graf neurale netværk
* Generative modeller for ikke-superviseret og semi-superviseret læring

De først 8 uger er undervisningsbaseret og de resterende uger er projektbaseret. Primær:
Prince SJD. Understanding deep learning. MIT press, 2023.
https:/​/​udlbook.github.io/​udlbook

Secondær:
Goodfellow I, Bengio Y, Courville A. Deep learning. MIT press, 2016.
https:/​/​www.deeplearningbook.org Maskinlæring baseret på dyb læring står bag mange nylige fremskridt inden for generativ AI, talegenkendelse, billedklassificering og reinforcement learning. Disse udviklinger er primært drevet af tilgængeligheden af hurtige computere, en overflod af data og algoritmiske forbedringer i træning af neurale netværk.

Dyb læring og maskinlæring generelt oplever stor aktivitet både inden for akademiske kredse og industrien. Dette kursus vil give den studerende fundamentet til at anvende dyb læring i forskning og industri.

Dette er et kursus i maskinlæring med fokus på beregning og anvendelse. 04. maj, 2026