Behörighetskrav

60 hp varav minst 15 hp matematik inkl. Sannolikhet och statistik DV och Linjär algebra II, och 30 hp datavetenskap inkl. fortsättningskurs i programmering och grundkurs i beräkningsvetenskap eller numeriska metoder.

Mål

Efter godkänd kurs ska studenten kunna:

• förklara och jämföra olika maskininlärningsmetoder;
• använda maskininlärningsverktyg i praktisk tillämpning;
• utvärdera olika metoders lämplighet för givna tillämpningar.

Innehåll

Detta är en praktisk introduktion till maskininlärning: dess terminologi, en översikt av metoder för övervakad och oövervakad inlärning, som exempelvis regression, klassificeringsträd, introduktion till neuronnät och djupinlärning (deep learning), och klustring, användning av etablerade verktyg för maskininlärning, tillämpning av metoderna på verklig data, och praktiska aspekter så som dimensionsreduktion och korsvalidering.

Undervisning

Föreläsningar, laborationer och uppgifter.

Examination

Skriftlig tentamen samt muntlig och skriftlig redovisning av uppgifter.

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.