Kursplan för Introduktion till maskininlärning

Introduction to Machine Learning

Det finns en senare version av kursplanen.

Kursplan

  • 5 högskolepoäng
  • Kurskod: 1DL034
  • Utbildningsnivå: Grundnivå
  • Huvudområde(n) och successiv fördjupning: Datavetenskap G2F

    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: 2019-03-07
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: vecka 27, 2019
  • Behörighet: 60 hp varav minst 15 hp matematik inkl. Sannolikhet och statistik DV och Linjär algebra II, och 30 hp datavetenskap inkl. fortsättningskurs i programmering och grundkurs i beräkningsvetenskap eller numeriska metoder.
  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna:

  • förklara och jämföra olika maskininlärningsmetoder;
  • använda maskininlärningsverktyg i praktisk tillämpning;
  • utvärdera olika metoders lämplighet för givna tillämpningar.

Innehåll

Detta är en praktisk introduktion till maskininlärning: dess terminologi, en översikt av metoder för övervakad och oövervakad inlärning, som exempelvis regression, klassificeringsträd, introduktion till neuronnät och djupinlärning (deep learning), och klustring, användning av etablerade verktyg för maskininlärning, tillämpning av metoderna på verklig data, och praktiska aspekter så som dimensionsreduktion och korsvalidering.

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.

Versioner av kursplanen

Litteratur

Litteraturlista

Gäller från: vecka 27, 2019

I bibliotekets söktjänst kan du se om en titel finns elektroniskt.

  • Ashcroft, Michael The Essentials of Data Science and Machine Learning

    Institutionen för informationsteknologi,

    Obligatorisk