Kursplan för Tillämpad maskininlärning

Kursplan fastställd 2022-02-01 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnApplied machine learning
  • KurskodDAT341
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeDatateknik, Informationsteknik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87117
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0122 Hemtentamen 4 hp
Betygsskala: TH		 4 hp
0222 Inlämningsuppgift 3,5 hp
Betygsskala: TH		 3,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Kurstillfälle 2

  • Undervisningsspråk Engelska
  • Anmälningskod 87118
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0122 Hemtentamen 4 hp
Betygsskala: TH		 4 hp
0222 Inlämningsuppgift 3,5 hp
Betygsskala: TH		 3,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

En kurs i programmering i ett generellt programmeringsspråk (t. ex. C/C++/Java/Python eller liknande). En kurs i matematik (exempelvis analys, linjär algebra, tillämpat matematiskt tänkande), samt en kurs i matematisk statistik. Kursen "Introduction to Data Science and AI" (DAT405) eller liknande. Kursen DAT340 får inte inkluderas i en examen som innehåller (eller som är baserad på en annan examen som innehåller) kursen TDA233.

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 om-examineras genom en ny hemtentamen.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.