Tillämpad djupinlärning i fysik och teknik

Grundläggande djup maskininlärning. Generalisering, regularisering och validering. Optimering och hyperparameterinställning. Konvolutionella neurala nätverk. Klassificering och regression. Visualisering och avancerade metoder för datorseende. Autokodare. Generativa modeller, variationella autokodare, generativa motståndarnätverk (generative adversarial networks). Tillämpningar inom fysik och teknik, t.ex. bildigenkänning, analys av tidsseriedata, pulshöjdsanalysator, realtids-lågeffekts-på enheten-beräkningar (tillämpningar inom IoT). Praktiska erfarenheter av att använda TensorFlow via Keras Python-gränssnitt. Metoder för att verifiera förutsägelser från neurala nätverk, t.ex. genom oberoende experimentell data från en labbuppställning.

Distanskursens upplägg: På distanskursen sker kommunikation mellan lärare och studenter via lärplattform och e-mötesverktyg. Tillgång till dator med stabil internetuppkoppling och webbkamera krävs för deltagande i undervisning och för eget arbete.