Tänapäevased tehisintellekti (TI) lahendused põhinevad suures osas masinõppel ja sügavatel närvivõrkudel, ehk süvaõppel. Aine eesmärk on omandada süvaõppe matemaatilised ja algoritmilised alused, mis aitavad mõista, kuidas TI algoritme tõhusalt rakendada. Aine valmistab üliõpilase ette nii tööks masinõppe insenerina kui ka edasiseks akadeemiliseks arenguks TI ja masinõppe valdkonnas.

Modern artificial intelligence (AI) solutions are mainly based on machine learning and deep neural networks, or deep learning. This course will teach the mathematical and algorithmic foundations of deep learning, which will help the student to implement and use AI algorithms efficiently. The course will prepare the student for working as a machine learning engineer and for further academic studies of AI and machine learning.

Õppaine läbinud üliõpilane:
- selgitab süvaõppe seoseid ja erinevusi teiste tehisintellekti algoritmidega, süvaõppe tõenäosuslikke aluseid ja masinõppe teoreetilisi aluseid;
- mõõdab süvaõppe algoritmide tulemusi, efektiivsust ja kallutatust ning selgitab andmete ja algoritmide mõju nendele;
- selgitab süvaõppe algoritmide piiranguid ja hindab nende vajadusi, nagu andmemahud, inimtööjõud ja arvutusressurss;
- selgitab närvivõrkude tööpõhimõtteid;
- ehitab süvaõppe mudeleid erinevate masinõppe ülesannete lahendamiseks.

After completing this course, the student:
- explains the similarities and differences between deep learning and other AI algorithms, probabilistic foundations of deep learning and the theoretical principles of machine learning;
- measures the results, performance and bias of deep learning algorithms and explains the impact of data and algorithms on these measurements;
- explains the limitations of deep learning and evaluate the data, human resource and compute needs;
- explains the working principles of neural networks;
- builds deep learning models for different machine learning problems.

Selles õppeaines sharjutatakse erinevate süvaõppe mudelite ehitamist. Õppetöös kasutatakse Pytorch raamistikku ja on vajalik programmeerimiskeele Python oskus. Harjutuste käigus tehakse katseid, mille eesmärk on närvivõrkude tööpõhimõtete uurimine, hindamismeetodite omandamine ja andmete ja algoritmide mõju hindamine. Lisaks on väiksemad harjutused Moodle'is või pliiatsi ja paberiga, et õppida matemaatilisi ja algoritmilisi aluseid.

During the course students will practice building different deep learning models. Pytorch and the Python programming language will be used. The practical work includes experiments with the goal of studying the principles of neural networks, learning evaluation methods and evaluating the impact of data and algorithms. There will be smaller exercises in Moodle or with pen and paper to learn the mathematical and algorithmic principles of deep learning.

-

-

-

-

Goodfellow, Ian. "Deep learning." (2016). https://www.deeplearningbook.org/

Poole, David L., and Alan K. Mackworth. "Artificial Intelligence: Foundations of Computational Agents." (2023). https://artint.info/

Murphy, Kevin P. Probabilistic machine learning: an introduction. MIT press, 2022. https://probml.github.io/pml-book/book1.html

-