| TDDE01 |
Maskininlärning, 6 hp
/Machine Learning/
För:
CS
D
DAV
IT
U
|
| |
Prel. schemalagd
tid: 48
Rek. självstudietid: 112
|
| |
Utbildningsområde: Teknik
Huvudområde: Datateknik, Datavetenskap, Informationsteknologi Nivå (G1,G2,A): A
|
| |
Mål:
IUAE-matris
Kursens övergripande mål är att ge en introduktion till maskininlärning, med speciellt fokus på regression- och klassificeringsproblem. Maskininlärning presenteras med utgångspunkt från inferens och prediktion med sannolikhetsmodeller,. Kursen har som mål att ge den studerande översikt av maskininlärningsområdet utifrån ett enhetligt ramverk och en bra grund för fortsatta studier inom området.
Efter avslutad kurs skall den studerande kunna:
- använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
- göra inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller.
- använda maskininlärningsmodeller för prediktion och beslutsfattande.
- utvärdera och välja bland modeller.
- kunna implementera maskininlärningsmodeller och algoritmer i ett programmeringspråk.
|
| |
Förkunskaper: (gäller studerande antagna till program som kursen ges inom, se 'För:' ovan)
Sannolikhetslära, matematisk statistik, matematisk analys, linjär algebra och grundläggande programmering.
OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.
|
| |
Påbyggnadskurser
Maskininlärning fortsättningskurs, bayesianska metoder, text mining, detektion och igenkänning.
|
| |
Organisation:
Undervisningen består av föreläsningar och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid datorlaborationer.
|
| |
Kursinnehåll:
Introduktion och översikt av maskininlärningsområdet och dess tillämpningsområden. Unsupervised och supervised learning. Diskriminativa och generativa modeller. Prediktion. Generalisering. Klassificering. Nearest neighbors. Naïve Bayes. Diskriminantanalys. Korsvalidering. Modellval. Överanpassning. Bootstrap. Regression. Regularisering. Ridge regression. Lasso. Variabelselektion. Binär och multi-klass regression. Dimensionsreducering. PCA. ICA. Kernel smoothers. Support vector machines. Beslutsträd. Gaussiska processer. Mixture models.
|
| |
Kurslitteratur:
Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006
Hastie, T., Tibshirani, R., och Friedman J., The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2:a upplagan, Springer, 2009.
|
| |
Examination: |
DAT1
LAB1
|
Datortentamen (U,3,4,5)
Datorbaserade laborationsuppgifter (U,G)
|
3 hp
3 hp
|
| |
|
DAT1 är en tentamen i datorsal som prövar studenternas teoretiska kunskaper och problemlösningsförmåga inom maskininlärning.
LAB1 består av datorlaborationer som prövar studenternas förmåga att omsätta teoretisk kunskap till praktisk problemlösning inom maskininlärning. |
|