Kursen behandlar de grundläggande matematiska och statistiska metoder och modeller som används inom området maskininlärning. Syftet med kursen är att ge en matematisk grund för kurser på avancerad nivå inom maskininlärning eller artificiell intelligens, samt för tillämpningar av maskininlärning inom akademien eller industrin. Kursen är uppdelad i två moduler.
Modul 1 (4,5 hp): Teori och problemlösning
Modulen behandlar grundläggande statistiska modeller, statistisk inlärning och maximum likelihood-skattning med tonvikt på övervakad inlärning (supervised learning). Ett antal vanliga modeller introduceras, till exempel linjära regressions- och klassifikationsmodeller, neurala nätverk, supportvektormaskiner samt modeller för oövervakad inlärning (unsupervised learning), och deras matematiska egenskaper diskuteras. Kursen går också igenom hur modeller som tränats på data kan utvärderas och valideras.
Modul 2 (3 hp): Datorlaborationer
Modulen behandlar implementeringen av olika vanligt förekommande maskininlärningsmodeller, samt undersökning av deras egenskaper.
