Maskininlärning, 9 hp

Huvudområde

Utbildningsnivå

Fördjupningsnivå

Kursen ges för

• Masters Programme in Statistics and Machine Learning

Förkunskapskrav

Kandidatexamen i något av följande ämnen: statistik, matematik, tillämpad matematik, datavetenskap, teknik eller motsvarande examen. Utöver detta, erfordras godkända/avklarade kurser i kalkyl, linjär algebra. 
Studenten ska också ha följande kurser godkända: En grundkurs i statistik om minst 6 hp; en kurs i programmering om minst 6 hp.
Engelska B eller motsvarande.

Lärandemål

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

• använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem som har anknytning till stora eller komplexa datamängder,
• göra inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller,
• använda maskininlärningsmetoder för prediktion och beslutsstöd,
• utvärdera kvalitén av maskininlärningsmodeller,
• välja en lämplig modell i situationer med begränsad eller saknad information om bakomliggande samband i datamaterialet,
• implementera maskininlärningsmodeller i ett programmeringsspråk och använda existerande maskininlärningsmjukvaror för att analysera stora eller komplexa datamängder, göra prediktioner och utvärdera osäkerhet av dessa prediktioner.

Kursinnehåll

Kursen fokuserar på huvudbegrepp och huvudredskap i probabilistisk maskininlärning som är nödvändiga för ett professionellt arbete och forskning inom dataanalys.

• introduktion och översikt av maskininlärning (inklusive regression, klassificering, övervakad och oövervakad inlärning) och dess tillämpningsområden,
• Nearest Neighbors and Naïve Bayes,
• diskriminantanalys, logistisk regression och beslutsträd,
• modellval och osäkerhetsskattning: holdout metoden, korsvalidering, AIC, bootstrap och konfidensintervall,
• linjär regression och regulariseringsmetoder (Ridge, LASSO),
• splines, generaliserade linjära och additiva modeller,
• principalkomponentanalys (PCA) och principalkomponentregression (PCR),
• kernel utjämnare, kernel trick och supportvektormaskiner,
• neurala nätverk,
• bagging, boosting och random forests,
• online learning och mixture models.

Undervisnings- och arbetsformer

Kursen består av föreläsningar, datorövningar och seminarier som kompletteras med självstudier. Föreläsningarna ägnas åt genomgång av teori, koncept och metodik. Datorövningarna ägnas åt praktisk dataanalys i en med hjälp av maskininlärningsmjukvara. Seminarier ägnas åt studentpresentationer och diskussioner av uppgifter.
Undervisningsspråk: engelska.

Examination

Skriftlig redovisning av labbuppgifter. Obligatorisk närvaro på seminarierna. En skriftlig tentamen. Detaljerad information återfinns i studiehandledningen.

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

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.

Institution