TDT4265 Datasyn og dyp læring

Kunnskap:

• Forstå de grunnleggende konseptene og matematiske prinsippene bak algoritmer for dyp læring og deres anvendelse innen moderne datamaskinsyn.
• Gjenkjenne strukturen og funksjonaliteten til ulike nevrale nettverksarkitekturer (FCNNs, CNNs, Vision Transformers, etc.) samt deres rolle i å løse spesifikke oppgaver innen datamaskinsyn.
• Forstå de teoretiske aspektene ved læringsmekanismer som veiledet, selvveiledet, uveiledet og forsterkningsbasert læring, og hvordan disse bidrar til feltet visuell intelligens.

Ferdigheter:

• Anvende kunnskap om dyp læring for å konstruere og trene nevrale nettverk for en rekke oppgaver innen datamaskinsyn, som bildeklassifisering, objektdeteksjon, segmentering, dybdeestimering, pose-estimering og generativ AI for synsoppgaver.
• Benytte toppmoderne optimeringsteknikker, normaliseringsprosesser og regulariseringsmetoder for å forbedre generaliseringen av nevrale nettverksmodeller.
• Bruke sentrale rammeverk og verktøy etablert i feltet for å implementere og evaluere modeller for datamaskinsyn.

Generell kompetanse:

• Analysere og kritisk vurdere ulike nevrale nettverksmodeller og arkitekturer, og velge den mest passende for en gitt oppgave innen visuell intelligens.
• Integrere avanserte løsninger innen datamaskinsyn i ulike bruksområder, som autonome kjøretøy og medisinsk bildediagnostikk, for å forbedre nøyaktighet og effektivitet.
• Vise problemløsningsevner ved å justere hyperparametere og nettverksarkitekturer for å optimalisere ytelsen for oppgaver innen datamaskinsyn.

Erfaring med programmering i Python.

Grunnleggende kunnskap innen kalkulus, lineær algebra og statistikk.

TDT4195 Visual Computing Fundamentals (eller et tilsvarende emne) er foretrukket, men ikke et krav.

Den endelige karakteren baseres på to deler: et mini-prosjekt med reelle anvendelser og noen oppgaver (40 %), samt en digital skoleeksamen (60 %). Begge deler gis en bokstavkarakter og vektes for å danne den endelige karakteren i kurset. Begge deler må bestås individuelt i samme semester for å bestå kurset.

Eksamensoppgavene vil kun bli gitt på engelsk.

Hvis det arrangeres en konteeksamen i august, kan eksamensformen endres fra skriftlig til muntlig.

Hvis en student velger å ta kurset på nytt for å forbedre karakteren, eller hvis studenten strøk i kurset, må begge deler av kurset gjennomføres på nytt.

Tradisjonelle øvinger anses som obligatorisk aktivitet, og en viss mengde av dette arbeidet må være godkjent for å få adgang til eksamen.

For gruppearbeid kan forskjellige karakterer gis dersom arbeidsinnsatsen i gruppen klart har vært ujevnt fordelt.

• Bok: Understanding Deep Learning, Prince (nettbasert)
• Bok: Dive into Deep Learning, Zhang (nettbasert)
• Bok: Deep Learning: Foundations and Concepts, Bishop (nettbasert)
• Bok: Neural Networks and Deep Learning, Nielsen (nettbasert)
• Bok: Deep Learning, Goodfellow (nettbasert)
• Tilleggsmateriale vil bli delt ut etter behov.

Forelesninger, selvstudium, oppgaver og et mini-prosjekt med reelle anvendelser.

Forelesningene vil bli holdt på engelsk.

Å utvikle praktiske ferdigheter er en viktig del av kurset (verktøy, sentrale DL-rammeverk osv.).