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

Jolanta Pielaszkiewicz
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
F7MML Statistics and Machine Learning, Master´s Programme - First and main admission round 1 (HT 2024) 202445-202503 1+4 Engelska Linköping, Valla O
F7MML Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) 1 (HT 2024) 202445-202503 1+4 Engelska Linköping, Valla O

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

Kursen ges för

  • Master's Programme in Statistics and Machine Learning

Förkunskapskrav

  • Kandidatexamen om 180hp (eller motsvarande) inom något av följande ämnen:
    • statistik
    • matematik
    • tillämpad matematik
    • datavetenskap
    • teknik
  • Godkända kurser i:
    • matematisk analys
    • linjär algebra
    • statistik
    • programmering
  • Engelska 6
    Undantag för svenska

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
  • tillämpa inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller
  • använda maskininlärningsmetoder för prediktion och beslutsstöd
  • utvärdera kvalitén av maskininlärningsmodeller
  • kritiskt utvärdera uppgiften för att  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
  • reflektera över etiska och samhälleliga aspekter som är relevanta för maskininlärning 
  • reflektera över maskininlärnings möjligheter och begränsningar, dess roll i samhället och människors ansvar för hur den används
  • planera och genomföra ett kursarbete inom givna tidsramar 

Kursinnehåll

I kursen behandlas huvudbegrepp och huvudredskap i probabilistisk maskininlärning som är nödvändiga för ett professionellt arbete och forskning inom dataanalys.

I kursen behandlas:

  • introduktion och översikt av maskininlärning (inklusive regression, klassificering, övervakad och oövervakad inlärning) och dess tillämpningsområden
  • Nearest Neighbors, logistisk regression och beslutsträd
  • binär klassificering: precision, recall, F1 mått och ROC kurvor
  • modellval och osäkerhetsskattning: holdout metoden, korsvalidering, frihetsgrader, bias-variance tradeoff och konfidensintervall
  • linjär regression och regulariseringsmetoder (Ridge, LASSO)
  • latenta variabler och principalkomponentanalys (PCA) 
  • kernel utjämnare, kernel trick och supportvektormaskiner
  • neurala nätverk
  • bagging, boosting och random forests
  • mixture models
  • optimering för maskininlärning: gradientsökning och stokastisk gradientsökning
  • implicit regularisering: early stopping

Undervisnings- och arbetsformer

Undervisningen består av föreläsningar, seminarier och datorlaborationer. 

Utöver detta ska den studerande utöva självstudier.

Undervisnings -och examinationsspråk: Engelska.

Examination

Kursen examineras genom:

  • gruppvis skriftlig inlämning av laborationsrapporterna, betygsskala:  EC P/F
  • aktiv deltagande på seminarier, betygsskala: ECTS P/F
  • individuell skriftlig tentamen, betygsskala: EC

För Godkänt (E) som slutbetyg krävs minst E på den skriftliga individuella tentamen samt Pass på övriga examinations momenten. 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 likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.

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 datavetenskap
Kod Benämning Omfattning Betygsskala
DAT2 Tentamen 7 hp EC
LAB2 Laboration 2 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.