Välkommen till FYD600 2019

Vi träffas första gången tisdag 22/1 2019, i datorsalen F-T7203, Forskarhuset Fysik. Kl18.00-21.00. See schema i TimeEdit.  Se också Schema här. 

Vi träffas tisdagar 18-21 fram till 19/3 (dock inte V10, 5/3). Dessutom har vi en föreläsning torsdag 31/1, 18-21. Undervisningen är i huvudsak i form av handledning under egenarbete med programmeringsprojekt. Ingen av undervisningstillfällena har obligatorisk närvaro, men man behöver infinna sig för examination (se nedan).

Kursen kommer bestå av följande moment (kompleteras successivt med projektbeskrivningar i detalj):

Det är rekommenderat att man använder sin egen laptop. Innan kursen, installera Python 3.6.x, Tensorflow, Keras (notera att Python 3.7 inte är kompatibelt med Keras) och Jupyter. Vi  kommer använda Jupyter Notebook. Gå till respektive hemsida för instruktioner (börja på Tensorflow). (Använd pip, "pip installs packages") Det går också bra att använda Chalmers (Linux) studentdatorer, på 7e våningen Forskarhuset.   Här finns instruktioner för att komma igång på dessa. (Har du inget konto så ska vi ordna det. Det kan dock ta lite tid, så under tiden är det bra om man har egen dator.)   

Kursen har även ett forum på Piazza där ni kan ställa frågor och diskutera hemuppgifterna. Skapa en användare på https://piazza.com/gu.se/spring2019/fyd600, forumet nås på https://piazza.com/gu.se/spring2019/fyd600/home.

 

 

Lärare på kursen:

Mats Granath, mats.granath@gu.se, kursansvarig. telefon 0723087160

Jonatan Wårdh, jonatan.wardh@physics.gu.se, kursassistent.

Oleksandr Balabanov, oleksandr.balabanov@physics.gu.se, kursassistent. 

Bernhard Mehlig, föreläsning. 

 

Kurslitteratur.

Projektbeskrivningarna är formulerade för att ge en självkonsistent introduktion till det material som krävs för att lösa uppgiften. 

För fördjupning rekommederas följande böcker: (båda finns online.)

Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep learning

Richard S. Sutton and Andrew G. Barto; Reinforcement Learning, An Introduction

Jag rekommenderar också Bernhard Mehligs föreläsningsanteckningar från kursen Artificiella Neurala Nätverk

Läsråd.

Material tom kapitel 9 i Deep learning tas upp i projekt 1 och 2 och är rekommenderad läsning.
Läs åtminstone introduktionen.

I Reinforcement learning, är rekommenderad läsning de första 3 kapitlen, plus kapitel 6 om TD-learning.
Kolla också på TD-Gammon på slutet.

Examination

Examinationen sker genom att man demonstrerar sin fungerande kod och diskuterar de frågor som ställs i
uppgiftstexten. Detta sker individuellt tillsammans med en av lärarna under de schemalagda timmarna i
datorsalen. Som syns i schemat kan examinationen ske båda en eller två veckor efter uppgiften introduceras.
Varje uppgift bedöms med U/G och för G på kursen krävs G på alla fyra projekt.

Undervisningsspråk

Undervisningsspråket är tänkt att i huvudsak vara svenska, men projektuppgifterna är skrivna på engelska,
delvis på grund av bristande vokabulär på svenska, men också för att alla lärare inte är svensktalande.