Detta är en intern version som kan innehålla ofullständig eller ännu ej beslutad studieinformation.

Introduktion till praktisk maskininlärning, 2 hp

Introduction to Practical Machine Learning, 2 credits

TDDE77

Huvudområde

Informationsteknologi Datateknik Datavetenskap

Utbildningsnivå

Grundnivå

Kurstyp

Programkurs

Studierektor eller motsvarande

Jolanta Pielaszkiewicz

Undervisningstid

Preliminär schemalagd tid: 0 h
Rekommenderad självstudietid: 53 h

Information om möjliga avsteg från kursplan/utbildningsplan

VOF = Valbar / Obligatorisk / Frivillig

Kursen ges för		Termin	Period	Block	Språk	Ort/Campus	VOF
6CDDD	Civilingenjör i datateknik	6 (VT 2026)	1	1		Linköping, Valla	O

Kursplanen är preliminär

Huvudområde

Informationsteknologi, Datateknik, Datavetenskap

Utbildningsnivå

Grundnivå

Fördjupningsnivå

G2F

Kursen ges för

Civilingenjörsprogram i datateknik

Rekommenderade förkunskaper

Matematisk analys, linjär algebra, matematisk statistik, programmering in Python.

Lärandemål

Kursens övergripande mål är att ge en introduktion till maskininlärning med fokus på att implementera och använda modeller baserade på neurala nätverk. Kursen kommer att ge färdigheter i att implementera grundläggande deep learning-modeller i ett särskilt mjukvarubibliotek.

Efter avslutad kurs skall studenten kunna:

Använda grundläggande begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
Konstruera grundläggande modeller för klassificering och regression.
Implementera grundläggande maskininlärningsmodeller baserade på neurala nätverk i Python med hjälp av ett deep learning-ramverk och anpassa dessa till träningsdata.
Använda förtränade maskininlärningsmodeller och analysera deras prestanda.

Kursinnehåll

Denna kurs erbjuder en lättillgänglig introduktion till maskininlärning med fokus på att implementera och använda modeller baserade på neurala nätverk. Detta inkluderar: oövervakad och övervakad inlärning; regression och klassificering; modellträning, modellval och utvärdering; neurala nätverk; faltningsbaserade neurala nätverk; deep learning; maskininlärningsdrift (MLOps); tillämpning av metoderna på verkliga data. Kursen ger färdigheter i att implementera grundläggande deep learning-modeller i en särskild mjukvarumiljö, inklusive stöd för GPU-acceleration och automatisk differentiering, vilket är centrala funktioner för praktisk implementering av djupa neurala nätverk.

Undervisnings- och arbetsformer

Undervisningen består av föreläsningar och datorlaborationer. Föreläsningarna används för att introducera grundläggande begrepp och teori som studenterna sedan använder i praktisk problemlösning i datorlaborationerna. Datorlaborationerna introducerar studenterna till ett deep learning-ramverk (t.ex. PyTorch).

Examination

LAB1

Laborationer

2 hp

U, G

LAB1 består av laborationsuppgifter som prövar studenternas förmåga att lösa praktiska maskininlärningsproblem.

Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som presenteras vid kursstart.

Betygsskala

Tvågradig skala, U, G

Institution

Institutionen för datavetenskap

Kod	Benämning	Omfattning	Betygsskala
LAB1	Laborationer	2 hp	U, G

LAB1 består av laborationsuppgifter som prövar studenternas förmåga att lösa praktiska maskininlärningsproblem.

Betyg på delmoment/modul beslutas i enlighet med de bedömningskriterier som presenteras vid kursstart.

Rättigheter och skyldigheter som student (inloggning krävs)
Linköpings universitets generella regelverk

Litteraturlistan är preliminär.

Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

I = Introducera, U = Undervisa, A = Använda

		U	A	Moduler
1. ÄMNESKUNSKAPER
	1.1 Kunskaper i grundläggande matematiska och naturvetenskapliga ämnen (kurser på G1X-nivå)		X	LAB1
	1.2 Kunskaper i grundläggande teknikvetenskapliga ämnen (kurser på G1X-nivå)		X	LAB1
	1.3 Fördjupade kunskaper, metoder och verktyg inom något av: matematik, naturvetenskap, teknik (kurser på G2X-nivå)	X	X	LAB1
	1.4 Väsentligt fördjupade kunskaper, metoder och verktyg inom något av: matematik, naturvetenskap, teknik (kurser på A1X-nivå)
	1.5 Insikt i aktuellt forsknings- och utvecklingsarbete
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
	2.1 Analytiskt tänkande och problemlösning	X	X	LAB1
	2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning	X	X	LAB1
	2.3 Systemtänkande
	2.4 Förhållningssätt, tänkande och lärande
	2.5 Etik, likabehandling och ansvarstagande
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
	3.1 Arbete i grupp		X	LAB1
	3.2 Kommunikation		X	LAB1
	3.3 Kommunikation på främmande språk		X	LAB1
4. PLANERING, UTVECKLING, REALISERING OCH DRIFT AV TEKNISKA PRODUKTER OCH SYSTEM MED HÄNSYN TILL AFFÄRSMÄSSIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	4.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling
	4.2 Företags- och affärsmässiga villkor
	4.3 Att identifiera behov samt strukturera och planera utveckling av produkter och system
	4.4 Att konstruera produkter och system
	4.5 Att realisera produkter och system		X	LAB1
	4.6 Att ta i drift och använda produkter och system
5. PLANERING, GENOMFÖRANDE OCH PRESENTATION AV FORSKNINGS- ELLER UTVECKLINGSPROJEKT MED HÄNSYN TILL VETENSKAPLIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	5.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling inom forsknings- och utvecklingsprojekt
	5.2 Ekonomiska villkor för forsknings- och utvecklingsprojekt
	5.3 Att identifiera behov samt strukturera och planera forsknings- eller utvecklingsprojekt
	5.4 Att genomföra forsknings- eller utvecklingsprojekt
	5.5 Att redovisa och utvärdera forsknings- eller utvecklingsprojekt

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.