Kursplan för Introduktion till maskininlärning
Introduction to Machine Learning
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
- Reviderad: 2020-10-20
- Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Gäller från: HT 2021
-
Behörighet:
60 hp varav 15 hp matematik inklusive Sannolikhet och statistik DV och Linjär algebra och geometri I, och 30 hp datavetenskap inklusive en fortsättningskurs i programmering och en 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
- Senaste kursplan (giltig från HT 2021)
- Äldre kursplan (giltig från HT 2019)
Litteratur
Litteraturlista
Gäller från: HT 2021
I bibliotekets söktjänst kan du se om en titel finns elektroniskt.