Maskininlärning, 9 hp

Machine Learning, 9 credits

732A99

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Oleg Sysoev

Kursansvarig

Oleg Sysoev

Studierektor eller motsvarande

Ann-Charlotte Hallberg
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
F7MSL Statistics and Machine Learning, Master´s Programme 1 (HT 2019) 201945-202003 1+4 Engelska Linköping, Valla O

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

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

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.

Institution

Institutionen för datavetenskap
Kod Benämning Omfattning Betygsskala
DAT1 Tentamen 5 hp EC
LAB1 Laboration 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.