Kursplan för Statistisk maskininlärning

Statistical Machine Learning

Det finns en senare version av kursplanen.

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: 2019-10-29
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2020
  • 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:

  • strukturera och dela upp statistiska inlärningsproblem i hanterbara underproblem, formulera en matematisk lösning av respektive problem och implementera denna med hjälp av statistisk mjukvara
  • använda och konstruera linjära och olinjära modeller för klassificering och regression
  • beskriva begränsningarna med linjära modeller och redogöra för hur olinjära modeller kan hantera dessa begränsningar
  • redogöra för hur en modells kvalitet utvärderas samt användande av korsvalidering for modellselektion och modelljustering
  • redogöra för avvägningen mellan bias och varians
  • redogöra för skillnaden mellan parametriska och icke-parametriska modeller

Innehåll

Detta är en introduktionskurs i statistisk inlärning med fokus på klassificering och regression: linjär regression, regularisering (ridge regression och LASSO), klassificering via logistisk regression, linjär diskriminantanalys, klassificering- och regressionsträd, boosting, neurala nätverk, djupinlärning (deep learning); praktiska aspekter så som korsvalidering, modellval, avvägning mellan bias och varians, tillämpning av metoderna på riktiga data.

Undervisning

Föreläsningar, lektioner (både med och utan dator), laboration, återkoppling på skriftliga uppgifter.

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 2022

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

    Se bibliotekets söktjänst

Versioner av litteraturlistan