Kursus annab teadmised süvaõppest (deep learning) ja selle rakendamisest teaduslike probleemide lahendamiseks.

The course gives knowledge about deep learning and its application in solving scientific problems.

Aine läbinud üliõpilane:
- analüüsib, millal ja millist süvaõppe meetodit rakendada;
- hindab süvaõppe meetodite kasutamise plusse ja miinuseid eri probleemide juures;
- on võimeline töötama tegelike andmestikega;
- valib ja kasutab teadusliku probleemi lahendamiseks sobilikke algoritme ja meetodeid;
- hindab süvaõppealgoritmide tulemuste sisukust ja kvaliteeti;
- seletab põhilisi matemaatilisi printsiipe ja tehnoloogilisi lahendusi süvaõppes;
- kasutab iseseisvalt süvaõppe meetodeid teadusliku probleemi lahendamiseks.

After completing this course, the student:
- analyses in which situations to use particular methods of deep learning;
- estimates advantages and disadvantages of methods of deep learning in solution of different problems;
- is able to work with real data;
- chooses and uses suitable algorithms and methods to solve scientific problems;
- estimates content and quality of results of algorithms of deep learning;
- explains main mathematical principles and technological solutions of deep learning;
- independently uses methods of deep learning in solving scientific problems.

Kursus pakub teadmisi ja oskusi mõistamaks, disainimaks, kasutamaks ja haldamaks kaasaegseid masinõppelahendusi teaduslike probleemide lahendamiseks.
Kursus tutvustab kõrgtaseme tööriistu süvaõppe algoritmide kasutamiseks. Üliõpilased õpivad erinevate süvaõppemeetodite kasutamist ja tööpõhimõtteid. Õpitakse ka tulemuste valideerimist ja interpreteerimist. Samuti käsitletakse tehnoloogilisi ja praktilisi ohtusid, mis võivad kaasneda süvaõppemeetodite rakendamisega.

The course offers knowledge and skills to understand, design, use and manage contemporary solutions of deep learning to handle scientific problems. The course introduces high level tools to use algorithms of deep learning. Students learn usage and working principles of different methods of deep learning. They also study the validation and interpretation of results. Moreover, they learn technological and practical risks that may occur in the application of methods of deep learning.

-

-

-

-

1. A. Géron, Hands-On Machine Learning with Scikit-Learn & TensorFlow. O’Reilly Media, Inc., 2017.
2. M. Erdmann et al, Deep Learning For Physics Research. World Scientific, 2021.

-