Maskininlärning

Om kursen

Kursen introducerar grundläggande begrepp och ett antal modellbaserade och algoritmiska maskininlärningsmetoder, samt praktisk design och utvärdering av några maskininlärningslösningar.

Kursen är uppdelad i tre moment:
Moment 1: Principer, 4 hp.
Denna del introducerar bakgrunden till och viktiga tillämpningar av maskininlärning. Följande ämnen kommer att täckas: support vector machines, naiv bayes, k-nearest neighbor, beslutsträd, neurala nätverk, linjär regression, klustring, hidden markov modeller och reinforcement learning. Dessutom kommer en rad viktiga begrepp och kunskaper att nämnas, inklusive bias / variansavvägningar, generativ / diskriminerande inlärning, kärnmetoder, parametrisk / icke-parametrisk inlärning, grafiska modeller och deep learning. Vissa maskininlärningsbibliotek (t ex scikit-learn) och utvecklingsverktyg introduceras kortfattat.

Moment 2: Seminarium, 0,5 hp.
Forskningsartiklar om vissa utvalda maskininlärningämnen kommer att delas ut i förväg till alla studenter för läsning. I detta moment delas studenterna in i grupper och ger korta presentationer för att förklara och bedöma den tilldelade artikeln (dvs den föreslagna lösningen, datamängder, experimentell design etc.). En grupprepresentant kan väljas för att presentera men alla gruppmedlemmar måste vara närvarande och involverade i diskussionen. Läraren och andra studenter kommer att ställa frågor och ge feedback.

Del 3: Övning, 3 hp.
Denna del består av 2-4 obligatoriska praktiska uppgifter. Studenterna ska tillämpa några av maskininlärningsalgoritmerna / modellerna och ramverken / biblioteken från del 1 genom att lösa de tilldelade uppgifterna i reella applikationer (tex textklassificering, sökmotor eller rekommendationssystem).