Deep Learning för medieteknik

Mål

Kursens mål är att lära ut grunderna i djupinlärning, såväl teoretiska som praktiska, samt att ge övergripande kunskaper om moderna tekniker och tillämpningar relaterade till djupinlärning för bild, grafik och ljud.

Efter avslutad kurs ska deltagaren kunna:

• redogöra för grunderna i hur artificiella neuronnät konstrueras och optimeras, samt visa tydlig förståelse för hur teoretiska begrepp knyter an till praktiska situationer,
• demonstrera kunskap om moderna metoder för hur neuronnät kan konstrueras, optimeras och användas i olika sammanhang inom datorseende, bildbehandling, datorgrafik, språkförståelse och visualisering,
• använda existerande verktyg för att med djupinlärning lösa väldefinierade klassificerings- och regressionsproblem inom digital media,
• använda tekniker för att testa och förbättra prestanda i neuronnät, inklusive koncept såsom detektion av överpassning och tekniker för att öka generaliseringsförmåga,
• formulera och lösa enklare problem från grunden, inklusive datainsamling, val av teknik, samt analys av resultat,
• reflektera kring konsekvenserna av en ökande användning av djupinlärning i samhället, såväl möjligheter som potentiella problematiska frågeställningar.

Innehåll

Översikt av maskininlärning. Artificiella neuronnät (ANN) och begreppet djupinlärning. Inlärningsparadigm (övervakad/oövervakad/semiövervakad/självövervakad/förstärkt inlärning). Optimering av ANN (back-propagation, stochastic gradient descent, momentum, batch normalization). Regularisering (augmentation, drop-out, early-stopping). Data (bilder/video/ljud/3D, representation, träning/test, bias, adversarial examples). Arkitekturer (faltningsnät, auto-encoders, återkopplade nät, residual-nät). Generativ djupinlärning. Tillämpningar (datorseende, bildbehandling, datorgrafik, språkförståelse, visualisering) och omvärld (inverkan på samhälle, etik, bias).