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.

Litteratur

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