Kursplan för Naturliga beräkningsmetoder för maskininlärning

Natural Computation Methods for Machine Learning

  • 10 högskolepoäng
  • Kurskod: 1DL073
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Datavetenskap A1N

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå
    G1N: har endast gymnasiala förkunskapskrav
    G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    GXX: kursens fördjupning kan inte klassificeras.

    Avancerad nivå
    A1N: har endast kurs/er på grundnivå som förkunskapskrav
    A1F: har kurs/er på avancerad nivå som förkunskapskrav
    A1E: innehåller examensarbete för magisterexamen
    A2E: innehåller examensarbete för masterexamen
    AXX: kursens fördjupning kan inte klassificeras.

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2018-03-08
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2018-08-30
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: vecka 24, 2019
  • Behörighet: 120 hp inklusive 15 hp matematik och 60 hp datavetenskap/systemvetenskap, varav minst 20 hp programmering/algoritmer/datastrukturer.
    Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)
  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna:

  • beskriva hur, och varför, naturinspirerade beräkningsmetoder fungerar, förklara principer och visa exempel.
  • ställa upp och lösa typiska problem, 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,
  • känna igen typiska effekter av dåliga val (problemuppställning och parameterval, till exempel) och utifrån detta avgöra hur resultaten kan förbättras,
  • planera ett öppet projekt så att det kan genomföras inom givna ramar. 

Innehåll

Kursen introducerar olika naturinspirerade beräkningsmetoder. Kursen är uppdelad i en teoretisk del och en praktisk 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,
  • deep learning,
  • kritikerledd inlärning och tidsdifferensmetoder,
  • evolutionära metoder (genetiska algoritmer och genetisk programmering), och
  • svärmmetoder (myrkolonioptimering, partikelsvärmmetoder).
Den praktiska delen består av labbuppgifter och en självvald projektuppgift. Innehållet i projektuppgiften definieras av studenterna själva, men måste godkännas av kursläraren innan arbetet påbörjas. shapp

Undervisning

Föreläsningar, laborationer och projekt.

Examination

Skriftlig tentamen (4hp), skriftlig och muntlig redovisning  av uppgifter (6hp).  

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.

Övriga föreskrifter

Kursen kan ej ingå i examen tillsammans med 1DT071 Maskininlärning eller 1DT022 Maskininlärning eller 1DT646 Artificiella neuronnät.

Litteratur

Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.