Kursplan för Tillämpad maskininlärning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2019-02-21 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnApplied Machine Learning
  • KurskodDAT340
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeDatateknik, Informationsteknik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87112
  • Max antal deltagare65
  • Blockschema
  • Sökbar för utbytesstudenterNej

Poängfördelning

0117 Tentamen 4 hp
Betygsskala: TH		0 hp0 hp4 hp0 hp0 hp0 hp
  • Kontakta examinator
  • Kontakta examinator
  • Kontakta examinator
0217 Inlämningsuppgift 3,5 hp
Betygsskala: TH		0 hp0 hp3,5 hp0 hp0 hp0 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Information saknas

Särskild behörighet

För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven: Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Det krävs 15 hp i programmering och minst 7,5hp inom matematik (inklusive grundläggande analys, statistik, sannolikhetsteori)

Syfte

Kursen ger en inledning till tekniker och teorier inom maskininlärning, med ett fokus på dess praktiska tillämpningar.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter godkänd kurs ska studenten kunna:

Kunskap och förståelse
  • beskriva de vanligaste typerna av maskininlärningsproblem,
  • förklara vid vilken typ av tillämpningar som maskininlärning kan användas, samtmaskininlärningens begränsningar,
  • redogöra för hur maskininlärningsmetoder är beroende av informativ data ochsärdrag för att kunna tillämpas,
  • förklara i stora drag hur olika maskininlärningsmodeller generaliserar utifrånträningsexempel.

Färdigheter och förmåga
  • använda ett bibliotek för maskininlärning i en applikationsdomän som är relevant för Data Science-området,
  • skriva programkod för att implementera enstaka maskininlärningsalgoritmer,
  • tillämpa utvärderingsmetoder för att bedöma kvaliteten hosmaskininlärningssystem, och jämföra flera olika sådana system.

Värderingsförmåga och förhållningssätt
  • diskutera fördelarna och nackdelarna med olika maskininlärningsmodeller utifrån en given tillämpning,
  • resonera om vilken typ av information eller särdrag som skulle kunna vara användbara i en maskininlärningsuppgift,
  • välja en lämplig utvärderingsmetod för ett maskininlärningsbaserat system ochmotivera detta val,
  • resonera om de etiska frågor som kan uppstå vid tillämpning avmaskininlärningsbaserade system.

Innehåll

Under kursens gång kommer ett urval av ämnen att genomgås inom övervakad (supervised) inlärning, exempelvis linjär klassificering och regression, eller olinjära modeller som neurala nätverk, samt inom oövervakad (unsupervised) inlärning, till exempel klustringsmetoder.

De typiska användningsfallen och begränsningarna hos dessa algoritmer kommer att diskuteras, och deras implementation kommer att undersökas med hjälp av programmeringsuppgifter. Metodologiska frågor som rör utvärdering av maskininlärningsbaserade system kommer också att diskuteras, samt några av de etiska frågor som kan dyka upp när man tillämpar den typen av teknologier.

Det kommer att vara ett starkt fokus på de användningsområden i verkligheten där maskininlärning kan tillämpas. Användningen av maskininlärningskomponenter i praktiska tillämpningar kommer att exemplifieras, och realistiska scenarion kommer att studeras i områden som t.ex. e-kommers, business intelligence, textanalys, bildanalys, eller bioinformatik. Vikten av konstruktion och urval av särdrag, samt deras pålitlighet,
kommer att diskuteras.

Organisation

Föreläsningar, övningar, datorlaborationer.

Litteratur

Kurslitteratur kommer att publiceras senast 8 veckor innan kursstart.

Examination inklusive obligatoriska moment

Kursen examineras genom en individuell skriftlig hemtentamen, samt obligatoriska skriftliga inlämningsuppgifter som redovisas genom rapportinlämning, varav vissa kommer genomföras individuellt och andra i grupper om normalt 2-4 studenter.

Försenad inlämning av hemtentamen innebär att lösningen får betyget Underkänd (U), om inte särskilda skäl föreligger. Underkänd hemtentamen omexamineras genom en ny hemtentamen.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2019-12-05: Max antal deltagare Max antal deltagare ändrat från 45 till 65 av UOL
      [Kurstillfälle 1]