5735 - Djúp læring
Skeiðsupplýsingar
- Heiti
- Djúp læring
- Skeiðsnummar
- 5735.24
- Lestrarár
- 2024-2025
- ECTS
- 7,50
- Stig
- Master
- Deildir
- Náttúruvísindadeildin
- Útbúgvingar
- M.Sc. í dátuvísindum
- Fortreytir
- Hesi (ella líknandi) skeið: • Innleiðandi forritan við Python • Maskinlæring • Støddfrøðiligt grundarlag til tilgjørt vit
- Undirvísingarmál
- Undirvíst verður á føroyskum og enskum.
- Tilmelding
- Lesandi á 4. lestrarhálvu í M.Sc. í dátuvísindum eru sjálvirkandi tilmeldað. Stakgreinalesandi melda seg til skeiðið umvegis Lestrarskrivstovuna.
- Byrjanardato
- 23. mars 2025
- Endadato
- 27. mai 2025
Fakligt innihald
- Endamál
- Endamálið við skeiðinum er, at lesandi ogna sær eina víðfevnda fatan av framkomnum hugtøkum og byggiløgum í nevralum netverkum (neural networks), har fokus er á djúplærutøkni. Lesandi ogna sær førleikar at sjálvstøðugt brúka optimeringsalgoritmur, reguleringshættir og nýmótans nevral netverksmodell, so sum convolutional nevral netverk og transformers, til uppgávur í veruliga heiminum. Harumframt ogna lesandi sær førleikan at meta kritiskt um avrik, nýtslu og avmarkingar hjá hesum modellum innan AI-gransking og vinnu.
- Læruúrtøka
- Tá skeiðið er lokið, skal tann lesandi vera før/ur fyri at: • Greiða frá grundleggjandi hugtøkum í djúpum nevralum netverkum. • Nýta gradient descent algoritmur, backpropagation og reguleringshættir til at optimera nevral netverk. • Greiða frá kjarnuhugtøkum í convolutional nevralum netverkum og hvussu tey verða nýtt til teldusjón (computer vision). • Greiða frá kjarnuhugtøkum í transformer modellum og hvussu tey verða nýtt til natural language processing (NLP). • Meta um styrki og veikleikar hjá modellum. • Gera eina verkætlan og tulka úrslit við at nýta telduskipan (computational framework) til GPU forritan so sum PyTorch. • Skipa og skriva eina samanhangandi og greiða tøkniliga frágreiðing um verkætlanararbeiðið.
- Innihald
- • Nágreiniligt yvirlit yvir djúp nevral netverk, harímillum byggiløg og meginreglur. • Optimeringshættir, eitt nú gradient descent hættir. • Backpropagation og hvussu tað verður nýtt at trena nevral netverk. • Hættir at fyribyrgja yvirfitting í nevralum netverkum, eitt nú weight decay, dropout og at steðga tíðliga (early stopping). • Byggiløg til convolutional nevral netverk, ið vanliga verða nýtt til myndaviðgerðaruppgávur. • Byggiløg til transformers, attention mekanisman og nýtsluhættir í natural language processing (NLP) uppgávum. • Innleiðsla í graf nevral netverk (graph neural networks) og nýtsluhættir til skipa dáta.
- Læru- og undirvísingarhættir
- Fyrilestrar, uppgávur, verkætlanir, bólkaarbeiði og sjálvlestur
Próvtøka
- Próvtøkuháttur
- Ein uppgáva og ein verkætlan skulu gerast meðan skeiðið koyrur. Uppgávan og ein frágreiðing av verkætlanini skulu latast inn, og tann lesandi skal hava staðið báðar til ásettar tíðarfreistir fyri at sleppa til próvtøku. Endaliga próvtøkan er munnlig við ongari fyrireikingartíð. Fyrru helvt av próvtøkuni verja tey lesandi verkætlanar frágreiðingina, og seinnu helvt tosa vit um spurningar úr pensum, ið tey lesandi draga tilvildarliga. Eingin hjálparmiðil er loyvdur undir próvtøkuni, undantikið avrit av frágreiðingini. Munnliga próvtøkan telur 100% av próvtalinum. Endurpróvtøkan fer fram á sama hátt.
- Próvdøming (innanhýsis/uttanhýsis)
- Uttanhýsis
- Próvtalsstigi
- Staðið/Ikki staðið
- Próvtøkudagur/dagar
- Verkætlanarfrágreiðingin skal latast inn 22. mai, 2025. Munnliga próvtøkan verður 12. og 13. juni, 2025. Endurpróvtøkan verður í viku 33, 2025.
- Freist fyri frámelding til próvtøku
- 23. mars 2025
Ábyrgd og undirvísarar
- Ábyrgd
- Høgni Carlsson Kamban
- Undirvísarar
- Høgni Carlsson Kamban, Barbara Scalvini