Kursplan för Statistisk maskininlärning
Statistical Machine Learning
Kursplan
- 5 högskolepoäng
- Kurskod: 1RT700
- Utbildningsnivå: Avancerad nivå
-
Huvudområde(n) och successiv fördjupning:
Teknik A1N,
Bildanalys och maskininlärning A1N,
Matematik A1N,
Datavetenskap A1N,
Dataanalys 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: 2016-03-08
- Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Reviderad: 2023-02-08
- Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Gäller från: HT 2023
-
Behörighet:
120 hp inklusive Sannolikhet och statistik, Linjär algebra II, Envariabelanalys och en kurs i grundläggande programmering. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)
- Ansvarig institution: Institutionen för informationsteknologi
Mål
Efter godkänd kurs ska studenten kunna:
- bedöma om ett tekniskt problem beskrivet utan specialiserad terminologi lämpar sig att formulera som ett övervakat (supervised) maskininlärningsproblem, och i så fall göra denna formulering
- strukturera och dela upp övervakade maskininlärningsproblem i hanterbara underproblem, formulera en matematisk lösning av respektive problem och implementera denna med hjälp av statistisk mjukvara
- använda och konstruera modeller för övervakad maskininlärning för att lösa klassificerings- och regressionsproblem
- beskriva de underliggande antagandena för övervakad maskininlärning och de begränsningar som följer av dessa, inklusive möjliga etiska och hållbarhetsmässiga konsekvenser
- analysera en modells kvalitet samt använda korsvalidering för modellselektion och modelljustering
- redogöra för viktiga principer för generalisering, inklusive avvägningen mellan bias och varians samt över- och underanpassning
- kritiskt granska och ge konstruktiv kritik på andras texter om maskininlärning.
Innehåll
Detta är en introduktionskurs i statistisk maskininlärning med fokus på klassificering och regression: linjär regression, regularisering, logistisk regression, diskriminantanalys, klassificerings- och regressionsträd, ensemblemetoder, neurala nätverk, djupinlärning (deep learning); praktiska aspekter så som korsvalidering, modellval, avvägning mellan bias och varians, tillämpning av metoderna på riktiga data; etiska och hållbarhetshetsmässiga avvägningar vid användning av statistisk maskininlärning.
Undervisning
Föreläsningar, lektioner (både med och utan dator), laboration, återkoppling på skriftliga uppgifter inklusive ett miniprojekt.
Examination
Skriftligt prov 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.
Litteratur
Litteraturlista
Gäller från: HT 2023
I bibliotekets söktjänst kan du se om en titel finns elektroniskt.
-
Machine learning : a first course for engineers and scientists
Lindholm, Andreas;
Wahlström, Niklas;
Lindsten, Fredrik;
Schön, Thomas
Cambridge: Cambridge University Press, 2022