Behörighetskrav

60 hp varav 15 hp matematik och 15 hp datavetenskap. Sannolikhet och statistik eller Sannolikhet och statistik DV. Algebra och geometri eller Linjär algebra och geometri I. En fortsättningskurs i programmering genomgången. En grundkurs i beräkningsvetenskap eller numeriska metoder rekommenderas.

Mål

Efter godkänd kurs ska studenten kunna:

• förklara och jämföra olika maskininlärningsmetoder;
• använda maskininlärningsverktyg i praktisk tillämpning;
• utvärdera olika metoders lämplighet för givna tillämpningar;
• analysera sociala och etiska konsekvenser av maskininlärning i specifika tillämpningar.

Innehåll

Detta är en praktisk introduktion till maskininlärning: dess terminologi, en översikt av metoder för övervakad och oövervakad inlärning (som exempelvis regression, klassificering, beslutsträd, klustring), användning av etablerade verktyg för maskininlärning, tillämpning av metoderna på verklig data, och praktiska aspekter såsom dimensionsreduktion och korsvalidering. Kursen introducerar även etiska aspekter av snedvridning (bias) inom maskininlärning.

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.