IN3310 – Dyp l?ring for bildeanalyse
Beskrivelse av emnet
Kort om emnet
Dette emnet underviser i vanlige metoder innen dyp l?ring anvendt p? bildedata, og dekker viktige algoritmer og konsepter i dyp l?ring for ? trene nevrale nettverk. Emnet fokuserer p? veiledet l?ring og bildegjenkjenning, men vil ogs? introdusere andre vanlige l?ringsregimer og bildeanalyseoppgaver, som bildesegmentering og objektgjenkjenning.
Hva l?rer du?
Etter ? ha tatt emnet vil du:
- forst??hvordan nevrale nett er bygget opp og hvordan backpropagation fungerer;
- forst? empirisk risikominimering og v?re kjent med popul?re tap- og aktiveringsfunksjoner;
- forst? viktige matematiske innsikter og intuisjoner bak treningsprosessen, hvordan h?ndtere distribusjonsskift og generalisere, samt regulariseringsteknikker;
- vite hvordan man trener et nevralt nettverk fra bunnen av og grunnleggende konsepter innen popul?re f?rsteordens optimaliseringsmetoder, bruker forh?ndstrente modeller, finjusterer de nevrale nettverkene, og skiller mellom n?r man skal bruke de forskjellige tiln?rmingene for ? l?se et problem;
- forst? hvordan man behandler dataene (augmentering og rensing) for ? forbedre effektiviteten til nevrale nettverk;
- kjenne til forskjellige nettverksarkitekturer og i hvilke sammenhenger de er egnet;
- forst? den induktive skjevheten av lokalitet p?lagt av konvolusjoner, implementeringen av disse i konvolusjonelle nevrale nettverk, og deres anvendelse p? bildedata;
- forst? det veiledede l?ringsregimet;
- vite hvordan man anvender dyp l?ring for ? l?se problemer som avhenger av bildedata, som for eksempel bildegjenkjenning, bildesegmentering og objektgjenkjenning;
- ha erfaring med bruk av Pytorch;
Opptak til emnet
Studenter m? hvert semester?s?ke og f? plass p? undervisningen og melde seg til eksamen?i Studentweb.
Spesielle opptakskrav
I tillegg til?generell studiekompetanse?eller?realkompetanse?m? du dekke spesielle opptakskrav:
- Matematikk R1 eller Matematikk (S1+S2)
De spesielle opptakskravene kan ogs? dekkes med fag fra videreg?ende oppl?ring f?r Kunnskapsl?ftet, eller p? andre m?ter. Les mer om?spesielle opptakskrav.
Obligatoriske forkunnskaper
FYS-STK3155 – Anvendt dataanalyse og maskinl?ring eller STK2100 – Maskinl?ring og statistiske metoder for prediksjon og klassifikasjon?
Overlappende emner
- 10 studiepoeng overlapp med IN4310 – Deep Learning for Image Analysis.
- 8 studiepoeng overlapp med IN5400 – Maskinl?ring for bildeanalyse (videref?rt).
- 8 studiepoeng overlapp med IN9400 – Maskinl?ring for bildeanalyse (nedlagt).
- 8 studiepoeng overlapp med INF5860 – Maskinl?ring for bildeanalyse (videref?rt).
- 8 studiepoeng overlapp med INF9860 – Maskinl?ring for bildeanalyse (videref?rt).
Undervisning
2 timer forelesninger og 2 timer grupper per uke.
Emnet har obligatoriske oppgaver som m? v?re godkjent for ? kunne g? opp til eksamen.?Les mer om krav til innlevering av oppgaver, gruppearbeid og lovlig 澳门葡京手机版app下载 under retningslinjer for obligatoriske oppgaver.
Eksamen
Skriftlig eksamen (4 timer).
Alle obligstoriske oppgaver m? v?re godkjent f?r du kan g? opp til eksamen.
Som eksamensfors?k i dette emnet teller ogs? fors?k i f?lgende tilsvarende emner:?IN4310 – Deep Learning for Image Analysis, IN5400 – Maskinl?ring for bildeanalyse (videref?rt), IN9400 – Maskinl?ring for bildeanalyse (nedlagt). INF5860, INF9860
Hjelpemidler til eksamen
Ingen hjelpemidler er tillatt.
Karakterskala
Emnet bruker?karakterskala fra A til F, der A er beste karakter og F er stryk. Les mer om?karakterskalaen.
Mer om eksamen ved UiO
- Kildebruk og referanser
- Tilrettelegging p? eksamen
- Trekk fra eksamen
- Syk p? eksamen / utsatt eksamen
- Begrunnelse og klage
- Ta eksamen p? nytt
- Fusk/fors?k p? fusk
Andre veiledninger og ressurser finner du p? fellessiden om eksamen ved UiO.