Kursplan för Maskininlärning
Machine Learning
- 7,5 högskolepoäng
- Kurskod: 2ST129
- Utbildningsnivå: Avancerad nivå
-
Huvudområde(n) och successiv fördjupning:
Statistik A1F
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 (G), väl godkänd (VG)
- Inrättad: 2021-10-15
- Inrättad av: Institutionsstyrelsen
- Reviderad: 2022-10-14
- Reviderad av: Institutionsstyrelsen
- Gäller från: HT 2022
-
Behörighet:
120 hp inklusive 90 hp statistik", alternativt 120 hp inklusive 60 hp statistik samt 30 hp matematik och/eller datavetenskap. 7,5 hp programmering i R, Python eller Julia.
- Ansvarig institution: Statistiska institutionen
Mål
En student som gått utbildningen skall:
- vara väl förtrogen med ett stort antal maskininlärningsmodeller
- kunna använda metoder för att utvärdera och förbättra prediktiva modeller
- kunna beskriva och diskutera etiska aspekter på big data och black box-modeller
- kunna hantera stora data
- kunna träna och använda maskininlärningsmodeller i programspråket R
- kunna träna och använda neurala nätverk med Keras/Tensorflow
Innehåll
Regulariserad regression, närmsta-grannar-metoder, beslutsträd, ensemblemodeller, bagging, out-of-sample-utvärdering, hantering av stora datamängder, etiska frågor kring big data och
prediktiva modeller, metoder för genomskinlig maskininlärning, samt neurala nätverk: arkitekturer, gradient descent, generativa modeller, regularisering och adversarial examples.
Undervisning
Undervisning ges i form av föreläsningar, datorövningar och/eller seminarier.
Examination
Examinationen sker genom redovisning skriftligt och/eller muntligt av obligatoriska inlämningsuppgifter.
Övriga föreskrifter
Kursen ingår i masterprogrammet i Statistik.
Versioner av kursplanen
Litteratur
Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.