Y-sektionens studienämnd är ansvariga för att informationen på guiden är aktuell. Om du hittar någonting som inte stämmer kan du mejla SNY.

Budgetår

Institution

IDA

Examinator

Fredrik Lindsten

Schemablock

Halvtermin
HT2: block 1

Huvudområden

Datateknik
Datavetenskap
Informationsteknologi

Nivå

G2X

Tidsfördelning

6,0HP
Schemalagd tid: 0 timmar
Självstudietid: 160 timmar

Innehåll

Detta är en grundkurs i maskininlärning med fokus på klassificering och regression: linjär regression, regularisering, klassificering via logistisk regression, linjär diskriminantanalys, klassificering- och regressionsträd, boosting, neurala nätverk, djupinlärning (deep learning); praktiska aspekter så som korsvalidering, modellval, avvägning mellan bias och varians, tillämpning av metoderna på riktiga data.

Mål

Kursens övergripande mål är att ge en introduktion till maskininlärning, med fokus på övervakad inlärning. 

Efter avslutad kurs skall studenten kunna:

  • Använda grundläggande begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
  • Konstruera linjära och olinjära modeller för klassificering och regression och anpassa dessa till träningsdata.
  • Utvärdera en modells prestanda samt redogöra för modellselektion och modelljustering.
  • Kunna implementera grundläggande maskininlärningsmodeller och algoritmer i ett programmeringspråk.

Examinationsmoment

DAT1 - 3,0 HP
Datortentamen (U, 3, 4, 5)
UPG1 - 3,0 HP
Laborations- och projektuppgifter (U, G)

Examination

DAT1 är en datortentamen som prövar studenternas teoretiska kunskaper och grundläggande praktiska färdigheter.
UPG1 består av laborations- och projektuppgifter som prövar studenternas förmåga att omsätta teoretiska kunskaper till praktiska färdigheter och att lösa praktiska maskininlärningsproblem.

Organisation

Undervisningen består av föreläsningar, lektioner, datorlaborationer, och projektarbete. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid lektioner, datorlaborationer och projektarbete.

Litteratur

Böcker

  • Lindholm, Andreas, Wahlström, Niklas, Lindsten, Fredrik, Schön, Thomas, (2022) Machine learning : a first course for engineers and scientists. Cambridge ; New York, NY : Cambridge University Press, 2022
    ISBN: 9781108843607, 1108843603, 9781108919371, 9781108911979

Kommentarer

Logga in för att kunna läsa och skriva kommentarer.