Maskininlärning

Kursen fokuserar huvudsakligen på de tillämpade aspekterna av maskininlärning med särskild tonvikt på neurala nätverk och deep learning.
Kursen ger en introduktion till maskininlärning och en översikt över neurala nätverk. Perceptronet som grundelement för linjär separabilitet och dess begränsningar i klassificering diskuteras. Sedan studeras olika aktiveringsfunktioner och sigmoid perceptron för att lösa icke-linjära klassificeringsproblem.
Olika typer av maskininlärningsparadigmer som supervised, unsupervised och reinforcement inlärande omfattas. Feed-forward neurala nätverk och algoritmen för backpropagation kommer att presenteras. Kursen kommer också att omfatta återkommande neurala nätverk (RNN).

Slutligen diskuteras deep learning med tonvikt på de grundläggande principerna och olika typer av neurala nätverk för deep learning.

Kursen fokuserar huvudsakligen på de tillämpade aspekterna av maskininlärning med särskild tonvikt på neurala nätverk och deep learning.
Kursen ger en introduktion till maskininlärning och en översikt över neurala nätverk. Perceptronet som grundelement för linjär separabilitet och dess begränsningar i klassificering diskuteras. Sedan studeras olika aktiveringsfunktioner och sigmoid perceptron för att lösa icke-linjära klassificeringsproblem.
Olika typer av maskininlärningsparadigmer som supervised, unsupervised och reinforcement inlärande omfattas. Feed-forward neurala nätverk och algoritmen för backpropagation kommer att presenteras. Kursen kommer också att omfatta återkommande neurala nätverk (RNN).

Slutligen diskuteras deep learning med tonvikt på de grundläggande principerna och olika typer av neurala nätverk för deep learning.