Kursplan fastställd 2023-02-04 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnAlgorithms for machine learning and inference
- KurskodTDA233
- Omfattning7,5 Högskolepoäng
- ÄgareMPALG
- UtbildningsnivåAvancerad nivå
- HuvudområdeDatateknik, Informationsteknik
- InstitutionDATA- OCH INFORMATIONSTEKNIK
- BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 02120
- Max antal deltagare120
- Blockschema
- Sökbar för utbytesstudenterNej
- Endast studenter med kurstillfället i programplan.
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
|---|---|---|---|---|---|---|---|
| 0120 Inlämningsuppgift 3 hp Betygsskala: TH | 3 hp | ||||||
| 0220 Tentamen 4,5 hp Betygsskala: TH | 4,5 hp |
I program
- MPALG - DATAVETENSKAP - ALGORITMER, PROGRAMSPRÅK OCH LOGIK, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPCAS - KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
- MPDSC - DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPENM - MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 1 (valbar)
- MPHPC - HÖGPRESTERANDE DATORSYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
- MPSYS - SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 1 (valbar)
Examinator
Morteza Haghir Chehreghani- Biträdande professor, Data Science och AI, Data- och informationsteknik
Behörighet
Grundläggande behörighet för avancerad nivåSökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Särskild behörighet
Engelska 6Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
För tillträde till kursen krävs att studenten ska ha en kandidatexamen.Specifikt krävs följande kunskaper:
- 7.5 hp i programmering
- 7.5 hp i datastrukturer
- 7.5 hp i matematisk statistik och diskret matematik
- 7.5 hp i linjär algebra
- 7.5 hp i flervariabelanalys.
Kursen TDA233 får inte inkluderas i en examen som innehåller (eller som är baserad på en annan examen som innehåller) kursen DAT340/DAT341.
Syfte
I kursen diskuteras teori och tillämpning av grundläggande 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)
Kunskap och förståelse:- förklara en representativ uppsättning av tillgängliga metoder för maskininlärning
- implementera och analysera algoritmer för maskininlärning
- tillämpa sunda matematiska principer för att på vetenskaplig grund dra slutsatser och forma hypoteser från empiriska data och modeller
- välja lämpliga metoder och tillämpa dem på specifika inferensproblem, utifrån en god förståelse av vetenskaplig litteratur inom området
- utvärdera metoderna kvalitativt och kvantitativt, och identifiera deras styrkor såväl som deras begränsningar
Innehåll
- Övervakat Lärande: Bayes-klassificerare, perceptron-baserade metoder, support-vektormaskiner, regression.
- Oövervakad inlärning: Algoritmer för klustring, EM-algoritmen, mixture-modeller, model selection, kernel-metoder.
- Djup maskininlärning, exemelvis standard neuronala nät, CNN, RNN
- Maximum likelihood estimation och Baysian methods
Organisation
Föreläsningar och inlämningsuppgifter.Litteratur
Information om litteratur ges på kursens hemsida före kursstart.Examination inklusive obligatoriska moment
Kursen examineras med inlämningsuppgifter och skriftlig salstentamen.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.