TDDE70 · 6 hp · Avancerad nivå (A1F) · Informationsteknologi, Datateknik, Datavetenskap
Djup maskininlärning
Ges · nästa start VT 2027
88 %
klarade senaste ordinarie tentan
DIT1 · 4 jun 2026 · 64 studenter
88 %
klarade ordinarie tentorna, alla tillfällen de senaste 5 åren
DIT1 · 137 studenter
35 %
Svårare än 35 % av kurserna på avancerad nivå
Jämfört med 285 kurser på samma nivå, ordinarie tentor de senaste tre läsåren. 105 studenter.
Ingår i 8 program
- Civilingenjörsprogram i teknisk matematik
- Civilingenjörsprogram i datateknik
- Civilingenjörsprogram i informationsteknologi
- Civilingenjörsprogram i medicinsk teknik
- Civilingenjörsprogram i mjukvaruteknik
- Civilingenjörsprogram i teknisk fysik och elektroteknik - internationell
- Civilingenjörsprogram i teknisk fysik och elektroteknik
- Masterprogram i datavetenskap
Tentamen
DIT1 Digital tentamen
- 5
- 3
- U
Ordinarie tentor
88 % godkända · 137 studenter
- 88 %64
- 98 %41
- 78 %32
Omtentor
100 % godkända · 5 studenter
- 100 %5
- Klarar omtentan: 100 % (5 studenter), jämfört med 88 % (137 studenter) på ordinarie
- Får 5: 23 % (142 studenter)
Visa små tillfällen (4)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %4
- 67 %3
- 33 %3
- 100 %2
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
UPG1 Miniprojekt
- 5
- 3
Ordinarie tillfällen
100 % godkända · 57 studenter
- 100 %24
- 100 %33
Senare tillfällen
100 % godkända · 90 studenter
- 100 %17
- 100 %50
- 100 %14
- 100 %9
- Klarar ett senare tillfälle: 100 % (90 studenter), jämfört med 100 % (57 studenter) på ordinarie
- Får 5: 60 % (147 studenter)
Visa små tillfällen (1)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %1
Inlämning eller laboration
LAB1 Datorbaserade laborationsuppgifter
- G
Ordinarie tillfällen
100 % godkända · 131 studenter
- 100 %56
- 100 %43
- 100 %32
Senare tillfällen
Inga tillfällen med minst 5 studenter.
Visa små tillfällen (5)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %2
- 100 %4
- 100 %2
- 100 %2
- 100 %1
Om kursen
Mål
Kursens övergripande mål är att ge studenten en god teoretisk förståelse samt goda praktiska färdigheter i maskininlärning baserad på djupa neuronnät.Efter avslutad kurs ska studenten på en avancerad nivå kunna:1. Använda centrala teoretiska begrepp för att beskriva och redogöra för skillnader mellan modeller och metoder inom djup maskininlärning2. Använda relevanta modeller och metoder från djup maskininlärning för att formulera, strukturera och lösa praktiska problem som involverar stora och komplexa datamängder3. Välja lämpliga utvärderingsprotokoll samt kritiskt utvärdera lösningarnas kvalitet4. Analysera och kritisera val av modeller och metoder5. Redogöra för etiska frågor och samhällsaspekter relaterade till djup maskininlärning.
Innehåll
Kursen introducerar huvudbegrepp inom djup maskininlärning, från grundläggande till forskningsnära.
Detta inkluderar: Vanliga modelltyper (t.ex. MLP, CNN, RNN, Transformers); Optimering- och inlärningsalgoritmer för djupa nätverk; Representationsinlärning och självövervakad inlärning; Generativa modeller; Olika tillämpningsområden av djup maskininlärning, inom t.ex. språkbehandling och textanalys, datorseende, och naturvetenskap; Etiska överväganden och samhällsaspekter kopplade till djup maskininlärning.
- Examinator
- Fredrik Lindsten
- Schemalagd tid
- 42 h
- Huvudområde
- Informationsteknologi, Datateknik, Datavetenskap