Deep Neural Engineering

De cursus richt zich op neurale-netwerk-methoden en -modellen die te maken hebben met complexe voorspellings- en optimalisatietaken. Specifiek leert de cursus studenten om deep-neural-network-architecturen en -algoritmen te bouwen voor het oplossen van complexe data-analyse-taken. Naast uitleg over de componenten, biedt de cursus ook een theoretische basis, en gaat het in op objectieve functies, optimalisatiealgoritmen, en praktische voorbeelden om resultaten te reproduceren. De cursus legt de nadruk op het verwerven van academische vaardigheden zoals kritisch denken en het schrijven van een wetenschappelijk rapport. Daartoe omvat de cursus twee opdrachten. De eerste opdracht is individueel en behelst het schrijven van een review van een wetenschappelijk artikel. In de tweede opdracht voeren studenten een projectopdracht uit over verschillende deep-learning-architecturen en schrijven zij een wetenschappelijk rapport met achtergrond, methoden en resultaten.

Leerdoelen
Na het bestuderen van deze cursus kun je:
- De relatieve kracht van neurale netwerkarchitecturen onderscheiden, de meest geschikte architectuur voor een bepaalde toepassingscontext kiezen, en gegevensbronnen aanpassen en voorbereiden voor de analyse met de gekozen architecturen.
- Neurale netwerkarchitecturen aanpassen, wijzigen en samenstellen door lagen van neuronen met specifieke activeringen te combineren, en door de objective function ervan zo aan te passen dat deze optimaal past bij het doel van de betreffende taak.
- Onderzoeksartikelen over deep-learning-modellen kritisch beoordelen, positieve en negatieve aspecten van de voorgestelde oplossingen vanuit een technisch perspectief identificeren, door problemen met transparantie en uitlegbaarheid te herkennen en door suggesties te doen voor mogelijke verbeteringen en nieuwe experimenten.
- Geavanceerde neurale netwerk architecturen bouwen (Seq2Seq, Autoencoders, GANs, Object Detectie, Graph Embeddings, Larg Laguage Models).
- In een groep werken aan een praktisch deep-learning-project door het analyseren van open data, het definiëren van de haalbaarheid van een projectidee, en door het schrijven van een wetenschappelijk rapport met inbegrip van een evaluatie van de haalbaarheid van de oplossing, evenals een discussie over de uitlegbaarheid en transparantie ervan.