Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Teoretisk fysik: Introduktion till artificiella neuronnätverk och deep learning

Kurs 7.5 högskolepoäng

Beskrivning

Deep learning and artificial neural networks have in recent years become very popular and led to impressive results for difficult computer science problems such as classifying objects in images, speech recognition and playing Go. This course gives an introduction to artificial neural networks and deep learning, both theoretical and practical knowledge.  

Recent development in machine learning have led to a surge of interest in artificial neural networks (ANN). New efficient algorithms and increasingly powerful hardware has made it possible to create very complex and high-performing ANNs. The process of training such complex networks has become known as deep learning and the complex networks are typically called deep neural networks. A possibility that arises in such networks is to feed them with unprocessed or almost unprocessed input information and let the algorithms automatically combine the inputs into feature-like aggregates as part of their inherent structure. This is now known under the name feature learning or representation learning

The overall aim of the course is to give students a basic knowledge of artificial neural networks and deep learning, both theoretical knowledge and how to practically use them for typical problems in machine learning and data mining. The course covers the most common models in artificial neural networks with a focus on the multi-layer perceptron. The course contains two computer exercises where the student will train and evaluate different ANN models.


 

Öppen för anmälan

Alla utbildningstillfällen

Kontakt

Studievägledare

Johanna Nilsson Onsberg

E-post: studievagledning [at] fysik [dot] lu [dot] se

Behörighet & urval

Förkunskapskrav

Engelska 6/engelska B samt kunskaper motsvarande 90 hp i naturvetenskap varav minst 45 hp i matematik.

Urval

Platserna fördelas enligt: Högskolepoäng (HPAV): 100 %.

Anmälan & antagning

Start Höstterminen 2023

Dagtid Lund, deltid 50%

På engelska

Studieperiod

27 oktober 2023 - 14 januari 2024

Ansökan

Öppen för sen anmälan

UrvalsgrupperHT 2023

Totalt antal antagna

Höstterminen 2023 - 24 st

- (streck) = ingen antagen i gruppen
* (stjärna) = alla antagna i gruppen

Tabellen visar lägsta meritkrav/poäng på högskoleprovet som krävdes för aktuell termin. Siffrorna varierar beroende på bland annat antal sökande och antal platser. Läs mer om antagningspoäng.

Anmäl dig via antagning.se

Du anmäler dig till våra kurser och program på Antagning.se. Där kan du sedan följa din anmälan och kontrollera att dina meriter registrerats. Det är även där du loggar in för att svara på ditt antagningsbesked.

Läs mer om anmälan och antagning samt sista anmälningsdag på våra Studera-sidor

Antagning.se


Sen anmälan

Efter sista anmälningsdag stänger anmälan till alla utbildningar. De kurser och program som har platser kvar efter första urvalet kan öppna för sen anmälan efter att de första antagningsbeskeden publicerats. Dessa utbildningar är då märkta ”Öppen för sen anmälan” på Antagning.se. Detta gäller anmälan till vår-, sommar- och hösttermin.

Läs mer om sen anmälan här

Gör en sen anmälan på Antagning.se

Anmälnings- och studieavgifter för medborgare utanför EU/EES

Avgifterna gäller alltså inte dig som är medborgare i Sverige, något annat EU- eller ESS-land eller Schweiz. Läs vidare på https://antagning.se/sv/studier-pa-hogskoleniva/anmalnings--och-studieavgifter/

Anmälningsavgiften är 900 kronor. Studieavgiften för Teoretisk fysik: Introduktion till artificiella neuronnätverk och deep learning är 19 375 SEK.