Kursplan för Introduktion till maskininlärning

Kursplan fastställd 2022-02-14 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnIntroduction to machine learning
  • KurskodEEN175
  • Omfattning6 Högskolepoäng
  • ÄgareTKAUT
  • UtbildningsnivåGrundnivå
  • HuvudområdeAutomation och mekatronik, Datateknik
  • InstitutionELEKTROTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Svenska
  • Anmälningskod 47129
  • Max antal deltagare150
  • Blockschema
  • Sökbar för utbytesstudenterNej

Poängfördelning

0122 Tentamen 4,5 hp
Betygsskala: TH		4,5 hp
  • 27 Okt 2023 em J
  • 03 Jan 2024 fm J
  • 20 Aug 2024 fm J
0222 Inlämningsuppgift 1,5 hp
Betygsskala: UG		 1,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

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

Särskild behörighet

Samma behörighet som det kursägande programmet.
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

Grundläggande kunskaper i matematik och programmering samt en kurs i matematisk statistik.

Syfte

Kursens syfte är att introducera och ge grundläggande kunskaper i maskininlärning, med fokus på användning av databaserad inlärning i praktiska tillämpningar.

Lärandemål (efter fullgjord kurs ska studenten kunna)

* förklara och tillämpa grundläggande maskininlärningsmetoder,
* använda mjukvara för maskininlärning i praktiska tillämpningar, 
* utvärdera tillämpbarhet och begränsningar för de metoder som presenteras i kursen.

Innehåll

Sannolikhetslära och statistik. Linjär regression baserad på minstakvadrat och maximum-likelihood kriterier. Klassificering med hjälp av avståndsbaserade metodor, k-närmaste grannmetoden, beslutsträd och logistisk regression. Modellvalidering, avvägning mellan bias och varians samt överanpassning. Ickelinjära parametriska lärandemodeller, regularisering och gradientbaserad optimering. Neurala nätverk och djupinlärning. Icke-linjära transformationer, supportvektor regression och klassificering. Bayesiansk linjär regression och Gaussiska processer. Övervakade och icke-övervakade inlärningsalgoritmer.

Organisation

Föreläsningar, övningar och obligatoriska inlämningsuppgifter.

Litteratur

Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Thomas B. Schön
Machine Learning - A First Course for Engineers and Scientists
2022, Cambridge University Press. Tillgänglig online.

Examination inklusive obligatoriska moment

Skriftlig tentamen samt godkända inlämningsuppgifter.

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.