Maskininlärning

10 hp

Kursplan, Avancerad nivå, 1DT071

Det finns en senare version av kursplanen.
Kod
1DT071
Utbildningsnivå
Avancerad nivå
Huvudområde(n) med fördjupning
Datavetenskap A1N, Teknik A1N
Betygsskala
Med beröm godkänd (5), Icke utan beröm godkänd (4), Godkänd (3), Underkänd (U)
Fastställd av
Teknisk-naturvetenskapliga fakultetsnämnden, 6 maj 2010
Ansvarig institution
Institutionen för informationsteknologi

Behörighetskrav

120 hp inklusive grundläggande algebra, Boolesk algebra, derivator och kedjeregeln, vektorer och matriser, programmering och algoritmer och datastrukturer. Exempelvis kurserna Algebra I, Logik och bevisteknik I, Linjär algebra och geometri I, Derivator och integraler, Programkonstruktion och Algoritmer och datastrukturer I. Dessutom rekommenderas förkunskaper i matematisk statistik, artificiell intelligens och datorarkitektur.

Mål

Efter godkänd kurs ska studenten kunna:

  • ställa upp och lösa typiska maskininlärningsproblem, genom egen implementation eller med hjälp av befintliga simuleringsverktyg,
  • avgöra olika inlärningsmetoders tillämplighet för olika typer av inlärningsproblem, dvs. känna till metodernas styrkor och svagheter,
  • bestämma en bra representation av data, för att underlätta maskininlärning,
  • känna igen typiska effekter av dåliga val (problemuppställning och parameterval, till exempel) och utifrån detta avgöra hur resultaten kan förbättras,
  • beskriva hur, och varför, maskininlärning och naturinspirerade beräkningsmetoder fungerar, förklara principer och visa exempel.

Innehåll

Kursen introducerar olika maskininlärningsmetoder, med tonvikt på naturinspirerade beräkningsmetoder. Kursen är uppdelad i en teoretisk del och en praktisk del.

Teoretisk del

Den teoretiska delen består av föreläsningar och litteratur om olika ämnen, inklusive (men inte begränsat till):

Inlärningsparadigm (övervakad, oövervakad och kritikerledd inlärning),

Artificiella neuronnät för klassificering, funktionsanpassning och klustring,

Kritikerledd inlärning och tidsdifferensmetoder

Evolutionära metoder (genetiska algoritmer och genetisk programmering)

Svärmmetoder (myrkolonioptimering, partikelsvärmmetoder)

Praktisk del

Den praktiska delen består av labbuppgifter och en självvald projektuppgift

Labbuppgifterna täcker en delmängd av ämnena från den teoretiska delen. Exakt vilka ämnen som tas upp inom labbkursen anges på kursens hemsida och vid första föreläsningstillfället.

Mot slutet av kursen arbetar studenterna med en projektuppgift. Innehållet i denna uppgift definieras av studenterna själva, men måste godkännas av kursläraren innan arbetet påbörjas.

Undervisning

Kursen består av föreläsningar, labbuppgifter och en självvald projektuppgift.

Examination

Studenterna examineras genom muntlig eller skriftlig tentamen (4 hp), skriftliga rapporter (laborationer och projekt) samt en muntlig redovisning i seminarieform av projektuppgiften (6 hp). Detaljer om examinationen och hur betyg beräknas anges tydligt vid kursstart och på kursens hemsida.

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
youtube
linkedin