Sök Stäng
Kursplan

Tillämpad maskininlärning, 5 hp

Applied Machine Learning, 5 credits

Kurskod: DT4033

Akademin för företagande, innovation och hållbarhet

Nivå: Grundnivå

Välj kursplan

Version
2025-01-20 - Tills vidare

Fastställd av: Forsknings- och utbildningsnämnden, 2024-11-25 och gäller studenter antagna vårterminen 2025.

Huvudområde med fördjupning

Datateknik, Grundnivå, har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav. (G1F)

Behörighetskrav

Matematik 30 hp och Programmering 7 hp.

Kursens inplacering i utbildningssystemet

Kursen ingår i Civilingenjör i maskinteknik, hållbar design och innovation.

Mål

Kursens mål är att studenten ska utveckla kunskap och färdigheter inom maskininlärning för tillämpning på verkliga problem genom teori och praktisk tillämpning av lärandeparadigm, moderna verktyg och algoritmer. Andra mål är att studenten utvecklar kunskap om problemformuleringar som kan lösas med maskininlärning och dess olika steg: datainsamling, databearbetningsmetoder, modellering, samt utvärdering, sjösättning och underhåll av prediktiva modeller. Genom teori och praktik ska studenten utveckla förståelse för både möjligheterna och begränsningarna med olika metoder och verktyg inom maskininlärning. Vidare ska studenten tillägna sig förståelse om vilka risker utifrån ett samhällsperspektiv som kan förknippas med olika tekniker.



Efter avslutad kurs ska studenten kunna:



Kunskap och förståelse

  • beskriva olika lärandeparadigm för maskininlärning och grundläggande algoritmer för maskininlärning
  • redogöra för de huvudsakliga tillämpningsområdena inom maskininlärning
  • redogöra översiktligt för vetenskapliga resultat inom området maskininlärning
  • beskriva maskininlärningens olika risker utifrån ett samhällsperspektiv


Färdighet och förmåga

  • självständigt tillämpa moderna mjukvarubaserade verktyg för att utforska data
  • utifrån givna ramar praktisera de olika stegen inom maskininlärning för realistiska problem: dataförberedning, utforskning, extraktion av egenskaper, modellering, utvärdering, sjösättning och underhåll


Värderingsförmåga och förhållningssätt

  • bedöma med tydligt stöd i relevant teori och praktik vilka metoder inom maskininlärning som är tillämpliga för ett specifikt problem och dess tillgängliga data

Innehåll

Kursens innehåll är indelat i fem moduler som gradvis introducerar begreppet maskininlärning och dess beståndsdelar såsom datainsamling, dataförberedning, utforskning, extraktion av egenskaper, modellering, utvärdering, sjösättning och underhåll.
Kursen kopplar till hur maskininlärning används inom industrin och fokuserar därför på praktisk tillämpning och mycket av kursarbetet sker med hjälp av moderna verktyg för maskininlärning. Modulerna innehåller korta videoföreläsningar och praktiska uppgifter. Kursen innehåller också flera diskussionstillfällen där praktiska och teoretiska aspekter belyses.

Den huvudsakliga innehållet är:

  • Översikt av metoder för maskininlärning och arbetsflöde för dess tillämpning
  • Översikt av klassificering och prediktion
  • Översikt av verktyg och användningsområden inom maskininlärning
  • Teoretisk och praktisk genomgång av ett antal olika grundläggande algoritmer för maskininlärning som exempelvis artificiella neuronnät (inklusive djupa artificiella neuronnät), k-means och SVM.
  • Viktiga aspekter vid maskininlärning, standardlösningar samt risker och samhällsaspekter.

Undervisningsspråk

Undervisningen bedrivs normalt på svenska men undervisning på engelska kan förekomma.

Undervisning

Undervisningen bedrivs genom en introduktionsföreläsning till ämnet och därefter tillgång till kortare videoföreläsningar, ett diskussionstillfälle och laborationer uppdelat i fem olika fristående moduler (M1-M5). Den huvudsakliga undervisningen består av handledning och återkoppling på studenternas laborationer.


Undervisningen bedrivs normalt på svenska men undervisning på engelska kan förekomma.

Betygsskala

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

Examinationsformer

Examinationen sker genom individuella laborationer samt individuell skriftlig tentamen.

2301: Tentamen, 3 hp
Fyrgradig skala, sifferbetyg (TH): Underkänd (U), Godkänd (3), Väl godkänd (4), Mycket väl godkänd (5)

2302: Laborationer, 2 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

Alpaydin, Ethem. Introduction to Machine Learning. Fourth Edition, The MIT Press. 2020


Flach, Peter. Machine Learning. Cambridge University Press, 2012