Kursplanen innehåller ändringar
Se ändringarKursplan fastställd 2019-02-08 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnAlgorithms for machine learning and inference
- KurskodTDA232
- Omfattning7,5 Högskolepoäng
- ÄgareMPALG
- UtbildningsnivåAvancerad nivå
- HuvudområdeDatateknik, Informationsteknik
- InstitutionDATA- OCH INFORMATIONSTEKNIK
- BetygsskalaTH - Fem, Fyra, Tre, Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 02128
- Max antal deltagare120
- Blockschema
- Sökbar för utbytesstudenterNej
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
|---|---|---|---|---|---|---|---|
| 0119 Inlämningsuppgift 3 hp Betygsskala: TH | 0 hp | 0 hp | 0 hp | 3 hp | 0 hp | 0 hp | |
| 0219 Tentamen 4,5 hp Betygsskala: TH | 0 hp | 0 hp | 0 hp | 4,5 hp | 0 hp | 0 hp |
|
I program
- MPALG - DATAVETENSKAP - ALGORITMER, PROGRAMSPRÅK OCH LOGIK, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPCAS - KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
- MPCAS - KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 2 (valbar)
- MPCSN - DATORER, NÄTVERK OCH SYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
- MPDSC - DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPHPC - HÖGPRESTERANDE DATORSYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
- MPSOF - SOFTWARE ENGINEERING AND TECHNOLOGY - UTVECKLING OCH IMPLEMENTERING AV MJUKVARA, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPSYS - SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 1 (valbar)
Examinator
Morteza Haghir Chehreghani- Biträdande professor, Data Science och AI, Data- och informationsteknik
Ersätter
- TDA231 Algoritmer för maskininlärning och slutledning
Behörighet
Information saknasSärskild 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
För att kunna följa kursen krävs programmeringskunskaper (exempelvis C, Java eller Haskell), erfarenhet av MATLAB är önskvärt men inget krav.Dessutom krävs kunskaper inom linjär algebra, sannolikhetslära och algoritmer motsvarande inledande kurser i respektive ämnen.
Syfte
I kursen diskuteras teori och tillämpning av algoritmer för maskininlärning och slutledning, utifrån ett AI perspektiv. I detta sammanhang betraktar vi lärande som slutledning från givna data eller erfarenheter som resulterar i en viss modell som generaliserar dessa uppgifter. Slutledning är att bestämma de önskade svaren eller åtgärder baserade på modellen.Algoritmer av detta slag används vanligen i till exempel klassificeringsuppgifter (teckenigenkänning, eller att förutsäga om en ny kund är kreditvärdig etc.) och i expertsystem (till exempel för medicinsk diagnostik). Ett nytt och kommersiellt viktig område är data mining, där algoritmer används för att automatiskt identifiera speciellt intressant information och speciella relationer i stora kommersiella eller vetenskapliga databaser.
Kursen avser att ge en god förståelse för detta tvärvetenskapliga område, med tillräckligt djup för att använda och utvärdera tillgängliga metoder, och för att kunna följa aktuell vetenskaplig litteratur inom området.
Lärandemål (efter fullgjord kurs ska studenten kunna)
- Tillämpa sunda matematiska principer för att på vetenskaplig grund dra slutsatser och forma hypoteser från empiriska data och modeller,
- Förklara en representativ uppsättning av tillgängliga metoder maskininlärning,
- Utvärdera metoderna kvalitativt och kvantitativt, och att identifiera såväl styrka som svagheter.
Innehåll
- Övervakat Lärande: Bayes-klassificerare, Fisher-diskriminantanalys, perceptron-baserade metoder, support-vektormaskiner, regression, boosting.
- Oövervakad inlärning: Algoritmer för klustring, EM-algoritmen, mixture-modeller, kernel-metoder.
- Grafiska modeller: Dolda Markov-modeller, metoder för att propagera antaganden (belief propagation).
Organisation
Föreläsningar och inlämningsuppgifter.
Litteratur
Information om litteratur ges på kursens hemsida före kursstart.Examination inklusive obligatoriska moment
För att bli godkänd på kursen krävs godkänd skriftlig tentamen samt godkända inlämningsuppgifter. Baserat på tentamensresultat och inlämningsuppgifter ges betygen U,3,4 eller 5.Kursplanen innehåller ändringar
- Ändring gjord på tentamen:
- 2019-09-18: Inställd Ändrat till inställd av Rickard Johansson
[2019-10-12 4,5 hp, 0219] Inställt - 2019-09-04: Plats Plats ändrat från Johanneberg till SB Multisal av grunnet
[2019-10-12 4,5 hp, 0219]
- 2019-09-18: Inställd Ändrat till inställd av Rickard Johansson