732A82 · 6 hp · Avancerad nivå (A1F) · Datavetenskap
Deep Learning
Ges · nästa start VT 2027
92 %
klarade senaste ordinarie tillfället
DAT1 · 29 maj 2026 · 24 studenter
77 %
klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren
DAT1 · 47 studenter
76 %
Svårare än 76 % av kurserna på avancerad nivå
Jämfört med 285 kurser på samma nivå, ordinarie tentor de senaste tre läsåren. 47 studenter.
Ingår i 1 program
Övrigt moment
DAT1 Tentamen
- A
- B
- C
- D
- E
- F
Ordinarie tillfällen
77 % godkända · 47 studenter
- 92 %24
- 61 %23
Senare tillfällen
73 % godkända · 15 studenter
- 88 %8
- 57 %7
- Klarar ett senare tillfälle: 73 % (15 studenter), jämfört med 77 % (47 studenter) på ordinarie
- Får B eller A: 35 % (62 studenter)
Visa små tillfällen (1)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %3
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
LAB2 Laboration
- P
Ordinarie tillfällen
100 % godkända · 47 studenter
- 100 %29
- 100 %18
Senare tillfällen
100 % godkända · 5 studenter
- 100 %5
- Klarar ett senare tillfälle: 100 % (5 studenter), jämfört med 100 % (47 studenter) på ordinarie
Visa små tillfällen (2)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %1
- 100 %2
Övrigt moment
MUNT Muntlig presentation
- P
Ordinarie tillfällen
100 % godkända · 54 studenter
- 100 %30
- 100 %24
Senare tillfällen
Inga tillfällen med minst 5 studenter.
Om kursen
Mål
Efter avslutad kurs ska den studerande på en avancerad nivå kunna:
- konstruera och tillämpa artificiella neuronnät för signal, bild eller dataanalys som lär sig från tidigare erfarenheter och observerat data
- tillämpa relevanta begrepp, metoder och mjukvaror inom Deep Learning för att formulera, strukturera och lösa praktiska problem som har anknytning till stora och komplexa datamängder
- motivera en Deep Learning arkitektur och hyperparametrar som är lämpliga för en viss datastruktur, problemformulering och tillämpningsområde
- utvärdera prestanda av prediktioner från Deep Learning modeller
- argumentera och muntligt redogöra för och diskutera lösningar och slutsatser i dialog med olika grupper
- planera och genomföra ett arbete inom givna tidsramar
- kritiskt reflektera över hållbarhetsperspektiv relaterat till Deep Learning
Innehåll
I kursen behandlas:
- Enkla och djupa neurala nätverk
- Regularisering, dropout och tidigt stopp. Optimering av djupa neurala nätverk.
- Faltningsnätverk och bildanalys
- Djupa återkopplade neurala nätverk och sekvensanalys
- Autoencoders och egenskapsextraktion
- Generativa Adversariella neurala nätverk
- Övervakad och oövervakad Deep Learning
- Hållbarhet inom Deep Learning
- Examinator
- Anders Eklund
- Huvudområde
- Datavetenskap