Sök Stäng
Kursplan

Läraktiga system, 7,5 hp

Learning Systems, 7.5 credits

Kurskod: DT8008

Akademin för informationsteknologi

Nivå: Avancerad nivå

Välj kursplan

Version
2025-01-20 - Tills vidare

Fastställd av: Forsknings- och utbildningsnämnden, 2024-09-18 och gäller studenter antagna vårterminen 2025.

Huvudområde med fördjupning

Datateknik, Avancerad nivå, har kurs/er på avancerad nivå som förkunskapskrav. (A1F)

Behörighetskrav

Kandidatexamen, eller motsvarande, inom teknikområdet. Kurser i datateknik, datavetenskap och elektroteknik omfattande 90 hp och inkluderande ett självständigt arbete. Kurser i matematik som omfattar 30 hp eller kurser i analys, lineär algebra och transformmetoder. Kursen Teknisk matematik 7,5 hp. Undantag ges för kravet på svenska. Engelska 6.

Kursens inplacering i utbildningssystemet

Kursen ingår som valbar kurs i Civilingenjör i datateknik 300 hp, Masterprogrammet i inbyggda och intelligenta system 120 hp och i Masterprogrammet i informationsteknologi 120 hp samt ges som fristående kurs.

Mål

Kursen syftar till att studenten ska inhämta kunskap och färdigheter inom maskinlärande; läraktiga system, självorganiserande system för klassificering och prediktion.


Efter avslutad kurs ska studenten kunna:


Kunskap och förståelse

  • beskriva väsentliga linjära maskinlärande algoritmer
  • beskriva väsentliga ickelinjära maskinlärande algoritmer
  • beskriva huvudsakliga tillämpningsområden för maskinlärande algoritmer


Färdighet och förmåga

  • tillämpa metoder för maskinlärande på verkliga problem
  • presentera vetenskapliga resultat inom området läraktiga system


Värderingsförmåga och förhållningssätt

  • bedöma när och vilka maskinlärande metoder som är tillämpliga
  • analysera och förklara vetenskaplig information inom området maskinlärande

Innehåll

Översikt av maskinlärandemetoder. Översikt av klassificering och prediktion. Översikt över produkter och användningsområden av metoderna. Viktiga aspekter vid maskinlärande och standardlösningar. Genomgång av ett antal olika basmodeller av maskinlärande algoritmer som exempelvis artificiella neuronnät.

Undervisningsspråk

Undervisningen bedrivs på engelska.

Undervisning

Undervisningen bedrivs genom föreläsningar och i praktiska laborationer. I föreläsningar presenterar föreläsaren vetenskapliga metoder och diskuterar innehållet. Vid laborationerna löses praktiska problem med hjälp av metoderna som presenterats på föreläsningar.

Betygsskala

Fyrgradig skala, sifferbetyg (TH): Underkänd (U), Godkänd (3), Väl godkänd (4), Mycket väl godkänd (5)

Examinationsformer

Examinationen sker genom godkända laborationer samt skriftlig tentamen.

2101: Skriftlig tentamen, 5 hp
Fyrgradig skala, sifferbetyg (TH): Underkänd (U), Godkänd (3), Väl godkänd (4), Mycket väl godkänd (5)

2102: Laborationer, 2,5 hp
Tvågradig skala (UG): Underkänd (U), Godkänd (G)

Undantag från angiven examinationsform

Om särskilda skäl finns får examinator göra undantag från angiven examinationsform och medge att en student examineras på annat sätt. Särskilda skäl kan till exempel vara beslut om riktat pedagogiskt stöd.

Kursvärdering

I kursen ingår kursvärdering. Denna är vägledande för utveckling och planering av kursen. Kursvärderingen dokumenteras och redovisas för studenterna.

Kurslitteratur och övriga läromedel

Välj litteraturlista
2025-01-20 – Tills vidare

Litteraturlista 2025-01-20Tills vidare

Andriy Burkov. The hundred-page machine learning book. 2019. E-book: http://themlbook.com/wiki/doku.php