Maskininlärning
Kursplan, Avancerad nivå, 1DT071
Kursen är avvecklad.
- 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.