Maskininlärning, 7,5 hp

Innehåll

Kursen är en introduktion till maskininlärning och ger en överblick över såväl teoretiska som praktiska aspekter. Kursen introducerar grundläggande koncept inom maskininlärning och presenterar ett antal olika maskininlärningsmetoder och -modeller. Kursen täcker också in statistiska och praktiska frågor relaterade till konstruktionen och utvärderingen av maskininlärningslösningar.

Kursen består av två moduler:

Modul 1: Principer (4,5 hp)

Den här modulen introducerar bakgrunden till maskininlärning och några stora tillämpningsområden. Följande modeller och ämnen kommer att behandlas: Övervakad inlärning (klassificering och regression med metoder som supportvektormaskiner, naiv Bayes, k närmsta grannar, beslutsträd, neuronnätverk), oövervakad inlärning (klustring och dimensionsreduktion med metoder som k-medelvärdesklustring, hierarkisk klustring, principalkomponentanalys, linjär diskriminantanalys, täthetsskattning) samt inlärningsteori (PAC-inlärning, förhållandet mellan systematiskt fel och varians, regularisering). Vidare diskuteras fundamentala koncept inom maskininlärning, som generativ/urskiljande inlärning, paradigmerna maximimetoden och Bayesisk inlärning, parametrisk/icke-parametrisk inlärning.

Modul 2: Praktik (3 hp)

Den här modulen består av praktiska uppgifter som introducerar moderna bibliotek och utvecklingsverktyg för maskininlärning. Studenterna tillämpar några av de maskinlärningsmetoder och -modeller som introducerats i modul 1 för att lösa maskininlärningsproblem i realistiska tillämpningar.

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

• (FSR 1) förklara och beskriva centrala koncept och metoder inom maskininlärning, såsom klassificering, regression, klustring, dimensionsreduktion, förhållandet mellan systematiskt fel och varians;
• (FSR 2) kategorisera maskininlärningsmetoder, t.ex. övervakat vs oövervakat, klassificering vs regression, klustring vs dimensionalitetsreduktion;
• (FSR 3) förklara utvalda maskininlärningsmetoders styrkor och begränsningar, och förklara hur och när de kan tillämpas i olika tillämpningar.

Färdighet och förmåga
Efter avslutad kurs ska studenten kunna:

• (FSR 4) konstruera och implementera, med hjälp av moderna programmeringsspråk, lämpliga maskininlärningslösningar till givna uppgifter;
• (FSR 5) tillämpa toppmoderna programbibliotek för maskininlärning för att lösa tillämpade maskinlärningsuppgifter;
• (FSR 6) utvärdera maskinlärningsmetoders prestanda genom lämpliga mått, t.ex. noggrannhet, felfrekvens, känslighet, precision, sensitivitet

Värderingsförmåga och förhållningssätt
Efter avslutad kurs ska studenten kunna:

• (FSR 7) diskutera hur ny maskininlärningsteknologi påverkar samhället.

Behörighetskrav

Minst 60 hp datavetenskap eller 120 hp inom ett program. (Studenter på ett masterprogram som leder till examen i datavetenskap anses uppfylla detta krav.) Minst 7,5 hp grundläggande programmering; 7,5 hp datastrukturer och algoritmer; 7,5 hp matematik inkluderande gränsvärden, derivator och sannolikhetslära; 7,5 hp linjär algebra; 7,5 hp matematisk statistik.

Examination

Modul 1 (FSR 1, 2, 3, 7) examineras genom en skriftlig salstentamen och använder betygsskalan Väl Godkänd (VG), Godkänd (G) eller Underkänd (U).

Modul 2 (FSR 4, 5, 6) examineras genom skriftliga inlämningsuppgifter och använder betygsskalan Godkänd (G) eller Underkänd (U).

Kursen som helhet använder betygsskalan Väl Godkänd (VG), Godkänd (G) eller Underkänd (U). Betyget på kursen som helhet avgörs av betyget på modul 1.

Anpassad examination
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos Institutionen för datavetenskap. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Övriga föreskrifter

Om kursplanen har upphört att gälla eller kursen slutat erbjudas garanteras en student som någon gång registrerats på kursen minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt denna kursplan under en tid av maximalt två år från det att kursplanen upphört att gälla eller kursen slutat erbjudas.