Maskininlärning, 5 hp

Huvudområde med fördjupning

Kandidatexamen i datateknik eller Högskoleingenjörsexamen i datateknik. Programmering 7,5 hp och Matematik 7,5 hp inklusive Linjär algebra. Engelska 6. Undantag ges för kravet på svenska.

Kursen ges som fristående kurs.

Kursens mål är att studenten kommer lära sig vanliga vägledda maskininlärningstekniker för regression och klassificering, samt bästa praxis och erfarenhet gällande att implementera maskininlärning i Python på realistiska data.

Efter avslutad kurs ska studenten kunna:

Kunskap och förståelse

• beskriva vanliga vägledda maskininlärningstekniker för klassificering och regression
• beskriva vanliga självorganiserade maskininlärningsalgoritmer för dataklustrering
• beskriva vanliga tillämpningsområden för maskininlärning

Färdighet och förmåga

• identifiera problem där maskininlärning är användbart och för dessa välja lämplig metod
• tillämpa dataförbehandling och konstruera lämpliga datarepresentationer för specifika problem
• tillämpa maskininlärningsmetoder på realistiska problem

Värderingsförmåga och förhållningssätt

• utvärdera prestanda för maskininlärningsmetoder på specifika problem
• bedöma när och vilka maskininlärningsmetoder är tillämpbara
• analysera och förklara vetenskapliga resultat från maskininlärningsområdet

Kursen täcker följande ämnen:

• Introduktion till grunderna i maskininlärning
• Grundläggande aspekter av väglett lärande, inklusive grundläggande algoritmer för regression och klassificering
• Överanpassning och generalisering, bias/varians avvägningen och metoder för att undvika överanpassning, inklusive regularisering. Förklaring om hur dessa problem kan adresseras i olika metoder, inklusive Support Vector Machines (SVM) och ensemble metoder
• Introduktion till neurala nätverk för väglett lärande, samt en översikt av djupa neurala nätverk och självorganiserad utvinning av representationer med autoencoders.
• Översikt av självorganiserade dataklustreringsmetoder och tillämpningar.

Varje föreläsning ges genom ett videokonferensverktyg och följs av en praktisk labuppgift i Python, i en Jupyter notebook, där deltagarna ges möjlighet att praktiskt öva de koncept som presenteras i föreläsningarna.

Undervisning kommer att ske helt online.

Examinationen består av ett test som kommer genomföras online i högskolans lärplattform lärplattform vid slutet av kursen. De praktiska uppgifterna genomförs i Python som ska presenteras i form av Jupyter Notebooks.

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.

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