"False"
Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Kursplan:

Matematisk introduktion till maskininlärning, 7,5 hp

Engelskt namn: A Mathematical Introduction to Machine Learning

Denna kursplan gäller: 2022-07-25 till 2023-07-23 (nyare version av kursplanen finns)

Kurskod: 5MA206

Högskolepoäng: 7,5

Utbildningsnivå: Grundnivå

Huvudområden och successiv fördjupning: Matematik: Grundnivå, har minst 60 hp kurs/er på grundnivå som förkunskapskrav

Betygsskala: Tregradig skala

Beslutad av: Teknisk-naturvetenskapliga fakultetsnämnden, 2022-03-02

Innehåll

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.

Förväntade studieresultat

För godkänd kurs ska den studerande kunna

Kunskap och förståelse

  • redogöra för grunderna i statistisk beslutsteori
  • redogöra för de teoretiska grunderna i modellutvärdering
  • matematiskt beskriva vanliga problemställningar inom maskininlärning

Färdighet och förmåga

  • härleda egenskaper hos vanliga statistiska modeller inom området maskininlärning
  • implementera enklare modeller och utvärderingsstrategier
  • använda existerande mjukvara/datorprogram för att lösa relevanta maskininlärningsproblem
  • utvärdera tränade modellers noggrannhet och generalitet

Värderingsförmåga och förhållningssätt

  • avgöra lämplig metod vid olika maskininlärningsproblem

Behörighetskrav

För tillträde till kursen krävs kurser i matematik om minst 60 hp eller minst två års sammanlagda studier. I båda fallen krävs kurser i linjär algebra, flervariabelanalys, matematisk statistik och grundläggande programmering eller motsvarande kunskaper. Engelska 5/A och svenska för grundläggande behörighet för högskolestudier (om kursen ges på svenska).

Undervisningens upplägg

Undervisningen i modul 1 består i huvudsak av föreläsningar och lektionsövningar, medan undervisningen i modul 2 består av laborationshandledning.

Examination

Modul 1 examineras genom skriftliga prov. Modul 2 examineras genom skriftliga laborationsrapporter. På det skriftliga provet ges något av omdömena Underkänd (U), Godkänd (G) eller Väl godkänd (VG). På laborationsrapporter ges endast något av omdömena Underkänd (U) och Godkänd (G). För att bli godkänd på kursen krävs att samtliga prov och obligatoriska moment är godkända. På kursen ges något av betygen Underkänd (U), Godkänd (G) eller Väl godkänd (VG) och bestäms av omdömet på modul 1.

Avsteg från kursplanens examinationsform kan göras för en student som har beslut om pedagogiskt stöd på grund av funktionsnedsättning. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Efter begäran av studenten ska kursansvarig lärare, i samråd med examinator, skyndsamt besluta om anpassad examinationsform. Beslutet ska sedan meddelas studenten.

Den som erhållit betyget godkänt på kursen kan ej examineras för högre betyg. För studerande som inte blivit godkänd vid ordinarie provtillfälle anordnas ytterligare provtillfälle. En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Begäran om ny examinator ställs till prefekten vid Institutionen för matematik och matematisk statistik. Examination baserad på denna kursplan garanteras under två år efter studentens förstagångsregistrering på kursen.

Tillgodoräknande
Student har rätt att få prövat om tidigare utbildning eller motsvarande kunskaper och färdigheter förvärvade i yrkesverksamhet kan tillgodoräknas för motsvarande utbildning vid Umeå universitet. Ansökan om tillgodoräknande skickas in till Studentcentrum/Examina. Mer information om tillgodoräknande finns på Umeå universitets studentwebb, www.student.umu.se, och i högskoleförordningen (6 kap). Ett avslag på ansökan om tillgodoräknande kan överklagas (Högskoleförordningen 12 kap) till Överklagandenämnden för högskolan. Detta gäller såväl om hela som delar av ansökan om tillgodoräknande avslås.

Övriga föreskrifter

I en examen får denna kurs ej ingå tillsammans med en annan kurs med likartat innehåll. Vid osäkerhet bör den studerande rådfråga studierektor i matematik och matematisk statistik.



I det fall att kursplan upphör att gälla eller genomgår större förändringar, garanteras studenter minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt föreskrifterna i den kursplan som studenten ursprungligen varit kursregistrerad på under en tid av maximalt två år från det att tidigare kursplan upphört att gälla eller att kursen slutat ges.

Litteratur

  • Giltig från: 2022 vecka 31

    An introduction to statistical learning : with applications in R
    James Gareth, Witten Daniela, Hastie Trevor, Tibshirani Robert
    Second edition. : New York : Springer : [2021] : xv, 607 sidor :
    ISBN: 9781071614174
    Obligatorisk
    Se Umeå UB:s söktjänst

    Mathematics for machine learning
    Deisenroth Marc Peter, Faisal A. Aldo, Ong Cheng Soon
    Cambridge : Cambridge University Press : [2020] : xvii, 371 pages :
    ISBN: 9781108470049
    Obligatorisk
    Se Umeå UB:s söktjänst

  • Giltig från: 2022 vecka 30

    Mathematics for machine learning
    Deisenroth Marc Peter, Faisal A. Aldo, Ong Cheng Soon
    Cambridge : Cambridge University Press : [2020] : xvii, 371 pages :
    ISBN: 9781108470049
    Obligatorisk
    Se Umeå UB:s söktjänst

    The Elements of Statistical Learning : Data Mining, Inference, and Prediction
    Hastie Trevor., Tibshirani Robert., Friedman Jerome.
    Second. : New York, NY : Springer New York : 2009 :
    Table of Contents / Abstracts
    ISBN: 9780387848587
    Obligatorisk
    Se Umeå UB:s söktjänst