Dyp læring for autonome systemer

Etter å ha fullført emnet

• har du en oversikt over moderne algoritmer og arkitekturer for dyp læring med nevrale nettverk relevante for autonome systemer
• har du grundig kunnskap om nevrale nettverk med tilbakekoblinger («recurrent neural networks») og deres utvidelser med minne og oppmerksomhet samt «Transformers»
• har du kjennskap til utvalgte avanserte algoritmer i dyp forsterkende læring («reinforcement learning»)
• kjenner du stokastiske tilnærminger til dyp læring og Bayesianske metoder
• kjenner du forskjellige læringsteknikker som ledet og ikke-ledet læring, selv-ledet læring og meta-læring
• har du kjennskap til generative modeller inkludert store språkmodeller (LLM) og deres bruk
• har du kjennskap til hvordan autonome systemer kan nytte seg av dyp læring for forståelse, beslutningstaking og planlegging av handlinger
• kjenner du til hvordan moderne verktøy, som TensorFlow, brukes til å lage viktige komponenter i avanserte autonome systemer

Det er anbefalt med gode kunnskaper i lineær algebra, statistikk og kalkulus, tilsvarende for eksempel fra MAT1110 / MAT1120, STK1100.

Emnet bygger på grunnleggende kunnskap om maskinlæring og nevrale nettverk, for eksempel fra IN3050 / IN4050 eller IN5400.

Studenter tatt opp til andre masterprogrammer kan, etter søknad, få adgang til emnet hvis dette er klarert med eget program.

Dersom du ikke allerede har studieplass ved UiO, kan du søke om opptak til våre studieprogrammer, eller søke om å bli enkeltemnestudent.

Undervisningen består av 3 timer forelesning per uke gjennom hele semesteret.

Emnet har 3 obligatoriske, praktiske øvelser som må være godkjent før avsluttende eksamen. I tillegg er det opptil 7 valgfrie praktiske øvelser.

• Avsluttende skriftlig eksamen teller 100% ved sensurering.

Dette emnet har obligatoriske øvelser som må være godkjent før avsluttende eksamen.

Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emne:

• TEK9040

Studenter som dokumenterer gyldig fravær fra ordinær eksamen, kan ta utsatt eksamen i starten av neste semester.

Det tilbys ikke ny eksamen til studenter som har trukket seg under ordinær eksamen, eller som ikke har bestått.