Neuronnät och lärande system, 6 hp

Neural Networks and Learning System, 6 credits

732A55

Huvudområde

Datavetenskap

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Magnus Borga

Kursansvarig

Magnus Borga

Studierektor eller motsvarande

Marcus Larsson
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
F7MSL Statistics and Machine Learning, Master´s Programme - First and main admission round 2 (VT 2023) 202303-202312 2 Engelska Linköping, Valla V
F7MSL Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) 2 (VT 2023) 202303-202312 2 Engelska Linköping, Valla V

Huvudområde

Datavetenskap

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1F

Kursen ges för

  • Master's Programme in Statistics and Machine Learning

Förkunskapskrav

  • 180 hp avslutade kurser varav 90 hp inom något av följande ämnen:
    • statistik
    • matematik
    • tillämpad matematik
    • datavetenskap
    • teknik
  • Godkända kurser i:
    • matematisk analys
    • linjär algebra
    • statistik
    • programmering
  • Engelska 6
    Undantag ges för svenska
  • Minst 6 hp godkända från termin 1 på Master's Programme in Statistics and Machine Learning eller motsvarande förvärvade kunskaper

Lärandemål

Efter avslutad kurs ska den studerande på en avancerad nivå kunna:

  • konstruera och tillämpa artificiella neuronnät och liknande metoder för signal, bild och dataanalys som lär sig tidigare erfarenheter och observerat data
  • tillämpa metoder för att designa algoritmer och för att finna meningsfulla samband i multidimensionella signaler där komplexitetsgraden gör traditionella modellbaserade metoder olämpliga eller omöjliga att använda
  • redogöra för skillnaden mellan olika inlärningsparadigm, implementera och använda några av de vanligaste metoderna inom dessa paradigm och välja lämplig metod för ett givet problem

Kursinnehåll

I kursen behandlas följande:

  • maskininlärning, klassificering, mönsterigenkänning och högdimensionell dataanalys
  • övervakad inlärning: neurala nätverk, linjär diskriminantanalys, support vector machines, ensemble metoder, boosting
  • oövervakad inlärning: mönster i högdimensionell data, dimensionalitetsreduktion, klustring, principal komponentanalys, oberoende komponentanalys
  • reinforcement inlärning: Markov modeller, Q-learning.

Undervisnings- och arbetsformer

Undervisningen består av föreläsningar, lektioner och laborationer. Utöver detta ska den studerande utöva självstudier. 

Undervisnings- och examinationsspråk: Engelska 

Examination

Kursen examineras genom:

  • individuell skriftlig tentamen, betygsskala: EC
  • laborationsuppgifter i grupp med obligatoriska inlämningsuppgifter, betygsskala: UG  

För Godkänt (E) som slutbetyg krävs minst E på individuell skriftlig tentamen samt Godkänt på övriga moment. Högre betyg grundas på den individuella skriftliga tentamen.

Detaljerad information återfinns i studieanvisningen.  
 

Om det finns särskilda skäl, och om det med hänsyn till det obligatoriska momentets karaktär är möjligt, får examinator besluta att ersätta det obligatoriska momentet med en annan likvärdig uppgift. 

Om LiU: s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det.

Om koordinatorn har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.

Examinator får också besluta om anpassad examination eller alternativ examinationsform om examinator bedömer att det finns synnerliga skäl och examinator bedömer det möjligt utifrån kursens mål.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Om det föreligger synnerliga skäl får rektor i särskilt beslut ange förutsättningarna för, och delegera rätten att besluta om, tillfälliga avsteg från denna kursplan. 

Institution

Institutionen för medicinsk teknik
Kod Benämning Omfattning Betygsskala
LAB1 Laboration 2 hp EC
TENT Tentamen 4 hp EC
Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

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.