Kursplan för Strukturerad maskininlärning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2024-02-01 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnStructured machine learning
  • KurskodDAT625
  • 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 87138
  • Max antal deltagare60 (minst 10% av platserna reserveras för utbytesstudenter)
  • Min. antal deltagare5
  • Sökbar för utbytesstudenterJa

Poängfördelning

0124 Inlämningsuppgift 7,5 hp
Betygsskala: TH		7,5 hp0 hp0 hp0 hp0 hp0 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

Erfarenhet av Python-programmering är ett krav, tidigare erfarenhet av arbete med ett modernt maskininlärningsbibliotek rekommenderas starkt.

Kunskap motsvarande minst tre av följande kursers innehåll:
Linjär algebra (7,5 hp), numerisk matematik eller vetenskaplig beräkning (7,5 hp), envariabelanalys (7,5 hp), eller statistisk mekanik/termodynamik (7,5 hp).

En kurs i statistiska beräkningar eller matematisk statistik (7,5 hp) och en kurs i maskininlärning (7,5 hp).

Det rekommenderas att kursen läses under årskurs två i masterprogrammet.

Syfte

Kursens syfte är att göra studenterna bekanta med användningen av datastrukturer och datagenereringsprocesser, samt hur denna information kan användas för att vägleda utformningen och träningen av maskininlärningsarkitekturer. 
Kursen fokuserar på att skapa en stark förståelse för underliggande begrepp och deras tillämpning i en praktisk miljö. Särskild tonvikt kommer att läggas vid naturvetenskapliga tillämpningar.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter kursen förväntas studenten kunna:

Kunskap och förståelse
  • Sammanfatta datagenereringsprocesser schematiskt
  • Särskilja icke-jämvikts- och jämviktsdata.
  • Lista exempel på strukturerade maskininlärningsarkitekturer.
  • Förklara de grundläggande principerna för strukturerade inlärningsarkitekturer.

Färdigheter och förmågor
  • Konceptualisera ett maskininlärningssystem som använder struktur från en datagenereringsprocess.
  • Implementera maskininlärningsmodeller för att approximera strukturen i en given datagenereringsprocess.
  • Designa ett småskaligt forskningsprojekt inom strukturerad maskininlärning.
Omdöme och tillvägagångssätt
  • Bedöma nyligen publicerade vetenskapliga rapporter om maskininlärningsforskningsprojekt som använder strukturer i data eller datagenereringsprocesser.
  • Utvärdera småskaliga forskningsprojekt inom strukturerad maskininlärning som använder strukturer i data eller datagenereringsprocesser.

Innehåll

Kursen kommer att integrera teoretiska föreläsningar med inlämningsuppgifter. Kursen består av tre olika komponenter:

1. Vad vet vi
  • Vad menas med 'struktur'?
  • Datagenereringsprocesser
  • Symmetrier och konvolutioner och deras abstrakta representationer

2. Hur använder vi det vi vet
  • Konstruktion av neurala nätverk som använder naturliga symmetrier.
  • Konstruktion av modeller för datagenereringsprocesser.
  • Hantering av oregelbunden data, till exempel: bilder, grafer, molekyler, sekvenser och mångfalder.

3. Tillämpningar
  • Statistiska urval ur icke-normaliserade sannolikhetsfördelningar.
  • Uppskattning av potentiella energifunktioner.
  • Klassificering av molekyler.

Organisation


Litteratur

Föreläsningsanteckningar och utdelat material. Kurslitteratur.

Examination inklusive obligatoriska moment

Inlämningar, hemuppgifter, kamratbedömning och rapporter.

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.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2024-05-03: Examinator Examinator Simon Olsson (simonols) tillagt av Viceprefekt
      [Kurstillfälle 1]
    • 2024-03-26: Tillagd i programplan [Kurstillfälle 1] tillagd i programplan för MPDSC åk 1 av UOL, administratör
  • Ändring gjord på kurstillfälle i programplan:
    • 2024-03-26: Gruppering Gruppering ändrat av UOL, administratör
      [Obligatoriskt valbara. Obligatoriskt valbar kurs. (DAT441, DAT450, DAT465, EEN100, MVE172, RRY025, SSY098, SSY316, SSY340, TMA522, TMA882, TMS016, TMS088). Krav 2 kurs(er). I MPDSC Årskurs 1] DAT625 tillagd i gruppering