Maskininlärning, 6 hp

Machine Learning, 6 credits

TDDE01

Huvudområde

Informationsteknologi Datateknik Datavetenskap

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Oleg Sysoev

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Undervisningstid

Preliminär schemalagd tid: 48 h
Rekommenderad självstudietid: 112 h
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Period Block Språk Ort/Campus VOF
6CDDD Civilingenjör i datateknik 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CDDD Civilingenjör i datateknik (AI och maskininlärning) 7 (HT 2018) 2 1 Engelska Linköping, Valla O
6CDDD Civilingenjör i datateknik (Medicinsk Informatik) 9 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIII Civilingenjör i industriell ekonomi 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, franska 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, franska (Teknisk inriktning Datateknik) 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, japanska 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, japanska (Teknisk inriktning Datateknik) 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, kinesiska 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, kinesiska (Teknisk inriktning Datateknik) 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, spanska 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, spanska (Teknisk inriktning Datateknik) 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, tyska 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIEI Civilingenjör i industriell ekonomi - internationell, tyska (Teknisk inriktning Datateknik) 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CIII Civilingenjör i industriell ekonomi (Teknisk inriktning Datateknik) 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CITE Civilingenjör i informationsteknologi 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CITE Civilingenjör i informationsteknologi (AI och maskininlärning) 7 (HT 2018) 2 1 Engelska Linköping, Valla O
6CITE Civilingenjör i informationsteknologi (Medicinsk Informatik) 9 (HT 2018) 2 1 Engelska Linköping, Valla V
6CMJU Civilingenjör i mjukvaruteknik 7 (HT 2018) 2 1 Engelska Linköping, Valla V
6CMJU Civilingenjör i mjukvaruteknik (AI och maskininlärning) 7 (HT 2018) 2 1 Engelska Linköping, Valla O
6MICS Computer Science, masterprogram 1 (HT 2018) 2 1 Engelska Linköping, Valla V
6MICS Computer Science, masterprogram (Artificiell intelligens och data mining) 1 (HT 2018) 2 1 Engelska Linköping, Valla V
6MDAV Datavetenskap, masterprogram 1 (HT 2018) 2 1 Engelska Linköping, Valla V

Huvudområde

Informationsteknologi, Datateknik, Datavetenskap

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Kursen ges för

  • Masterprogram i datavetenskap
  • Masterprogram i Computer Science
  • Civilingenjör i datateknik
  • Civilingenjör i informationsteknologi
  • Civilingenjör i mjukvaruteknik
  • Civilingenjör i industriell ekonomi
  • Civilingenjör i industriell ekonomi - internationell

Förkunskapskrav

OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.

Rekommenderade förkunskaper

Sannolikhetslära, matematisk statistik, matematisk analys, linjär algebra och grundläggande programmering.

Lärandemål

Kursens övergripande mål är att ge en introduktion till maskininlärning, med speciellt fokus på regression- och klassificeringsproblem. Maskininlärning presenteras med utgångspunkt från inferens och prediktion med sannolikhetsmodeller,. Kursen har som mål att ge den studerande översikt av maskininlärningsområdet utifrån ett enhetligt ramverk och en bra grund för fortsatta studier inom området.
Efter avslutad kurs skall den studerande kunna:

  • använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
  • göra inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller.
  • använda maskininlärningsmodeller för prediktion och beslutsfattande.
  • utvärdera och välja bland modeller.
  • kunna implementera maskininlärningsmodeller och algoritmer i ett programmeringspråk.

Kursinnehåll

Introduktion och översikt av maskininlärningsområdet och dess tillämpningsområden. Unsupervised och supervised learning. Diskriminativa och generativa modeller. Prediktion. Generalisering. Klassificering. Nearest neighbors. Naïve Bayes. Diskriminantanalys. Korsvalidering. Modellval. Överanpassning. Bootstrap. Regression. Regularisering. Ridge regression. Lasso. Variabelselektion. Binär och multi-klass regression. Dimensionsreducering. PCA. ICA. Kernel smoothers. Support vector machines. Beslutsträd. Gaussiska processer. Mixture models.

Undervisnings- och arbetsformer

Undervisningen består av föreläsningar och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid datorlaborationer.

Examination

LAB1Datorbaserade laborationsuppgifter3 hpU, G
DAT1Datortentamen3 hpU, 3, 4, 5
DAT1 är en tentamen i datorsal som prövar studenternas teoretiska kunskaper och problemlösningsförmåga inom maskininlärning.
LAB1 består av datorlaborationer som prövar studenternas förmåga att omsätta teoretisk kunskap till praktisk problemlösning inom maskininlärning.

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig information

Om undervisningsspråk

Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt".

  • Observera att även om undervisningsspråk är svenska kan delar av kursen ges på engelska.
  • Om undervisningsspråk är Svenska/Engelska kan kursen i sin helhet ges på engelska vid behov.
  • Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska. 

Övrigt

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

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt. 

Institution

Institutionen för datavetenskap

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Examinator

Oleg Sysoev

Undervisningstid

Preliminär schemalagd tid: 48 h
Rekommenderad självstudietid: 112 h

Kurslitteratur

Böcker

  • Bishop, C. M, (2006) Pattern Recognition and Machine Learning Springer
  • Hastie, T., Tibshirani, R., och Friedman J., (2009) The Elements of Statistical Learning: Data Mining, Inference and Prediction 2:a upplagan Springer
Kod Benämning Omfattning Betygsskala
LAB1 Datorbaserade laborationsuppgifter 3 hp U, G
DAT1 Datortentamen 3 hp U, 3, 4, 5
DAT1 är en tentamen i datorsal som prövar studenternas teoretiska kunskaper och problemlösningsförmåga inom maskininlärning.
LAB1 består av datorlaborationer som prövar studenternas förmåga att omsätta teoretisk kunskap till praktisk problemlösning inom maskininlärning.

Kursplan

För varje kurs finns en kursplan. I kursplanen anges kursens mål och innehåll samt de särskilda förkunskaper som erfordras för att den studerande skall kunna tillgodogöra sig undervisningen.

Schemaläggning

Schemaläggning av kurser görs efter, för kursen, beslutad blockindelning. För kurser med mindre än fem deltagare, och flertalet projektkurser läggs inget centralt schema.

Avbrott på kurs

Enligt rektors beslut om regler för registrering, avregistrering samt resultatrapportering (Dnr LiU-2015-01241) skall avbrott i studier registreras i Ladok. Alla studenter som inte deltar i kurs man registrerat sig på är alltså skyldiga att anmäla avbrottet så att kursregistreringen kan 
tas bort. Avanmälan från kurs görs via webbformulär, www.lith.liu.se/for-studenter/kurskomplettering?l=sv. 

Inställd kurs

Kurser med få deltagare ( < 10) kan ställas in eller organiseras på annat sätt än vad som är angivet i kursplanen. Om kurs skall ställas in eller avvikelse från kursplanen skall ske prövas och beslutas detta av programnämnden. 

Föreskrifter rörande examination och examinator 

Se särskilt beslut i regelsamlingen: http://styrdokument.liu.se/Regelsamling/VisaBeslut/622678 

Examination

Tentamen

Skriftlig och muntlig tentamen ges minst tre gånger årligen; en gång omedelbart efter kursens slut, en gång i augustiperioden samt vanligtvis i en av omtentamensperioderna. Annan placering beslutas av programnämnden.

Principer för tentamensschemat för kurser som följer läsperioderna:

  • kurser som ges Vt1 förstagångstenteras i mars och omtenteras i juni och i augusti
  • kurser som ges Vt2 förstagångstenteras i maj och omtenteras i augusti och i oktober
  • kurser som ges Ht1 förstagångstenteras i oktober och omtenteras i januari och augusti
  • kurser som ges Ht2 förstagångstenteras i januari och omtenteras i påsk och i augusti 

Tentamensschemat utgår från blockindelningen men avvikelser kan förekomma främst för kurser som samläses/samtenteras av flera program samt i lägre årskurs.

  • För kurser som av programnämnden beslutats vara vartannatårskurser ges tentamina 3 gånger endast under det år kursen ges.
  • För kurser som flyttas eller ställs in så att de ej ges under något eller några år ges tentamina 3 gånger under det närmast följande året med tentamenstillfällen motsvarande dem som gällde före flyttningen av kursen.
  • Har undervisningen upphört i en kurs ges under det närmast följande året tre tentamina samtidigt som tentamen ges i eventuell ersättningskurs, alternativt i samband med andra omtentamina. Dessutom ges tentamen ytterligare en gång under det därpå följande året om inte programnämnden föreskriver annat.
  • Om en kurs ges i flera perioder under året (för program eller vid skilda tillfällen för olika program) beslutar programnämnden/programnämnderna gemensamt om placeringen av och antalet omtentamina. 

Anmälan till tentamen

För deltagande i tentamina krävs att den studerande gjort förhandsanmälan i Studentportalen under anmälningsperioden, dvs tidigast 30 dagar och senast 10 dagar före tentamensdagen. Anvisad sal meddelas fyra dagar före tentamensdagen via e-post. Studerande, som inte förhandsanmält sitt deltagande riskerar att avvisas om plats inte finns inom ramen för tillgängliga skrivningsplatser.

Teckenförklaring till tentaanmälningssystemet:
  ** markerar att tentan ges för näst sista gången
  * markerar att tentan ges för sista gången 

Ordningsföreskrifter för studerande vid tentamensskrivningar

Se särskilt beslut i regelsamlingen: http://styrdokument.liu.se/Regelsamling/VisaBeslut/622682

Plussning

Vid Tekniska högskolan vid LiU har studerande rätt att genomgå förnyat prov för högre betyg på skriftliga tentamina samt datortentamina, dvs samtliga provmoment med kod TEN och DAT. På övriga examinationsmoment ges inte möjlighet till plussning, om inget annat anges i kursplan.

Regler för omprov

För regler för omprov vid andra examinationsformer än skriftliga tentamina och datortentamina hänvisas till LiU-föreskrifterna för examination och examinator, http://styrdokument.liu.se/Regelsamling/VisaBeslut/622678. 

Plagiering

Vid examination som innebär rapportskrivande och där studenten kan antas ha tillgång till andras källor (exempelvis vid självständiga arbeten, uppsatser etc) måste inlämnat material utformas i enlighet med god sed för källhänvisning (referenser eller citat med angivande av källa) vad gäller användning av andras text, bilder, idéer, data etc. Det ska även framgå ifall författaren återbrukat egen text, bilder, idéer, data etc från tidigare genomförd examination.

Underlåtelse att ange sådana källor kan betraktas som försök till vilseledande vid examination.

Försök till vilseledande

Vid grundad misstanke om att en student försökt vilseleda vid examination eller när en studieprestation ska bedömas ska enligt Högskoleförordningens 10 kapitel examinator anmäla det vidare till universitetets disciplinnämnd. Möjliga konsekvenser för den studerande är en avstängning från studierna eller en varning. För mer information se https://www.student.liu.se/studenttjanster/lagar-regler-rattigheter?l=sv.

Betyg

Företrädesvis skall betygen underkänd (U), godkänd (3), icke utan beröm godkänd (4) och med beröm godkänd (5) användas. Kurser som styrs av tekniska fakultetsstyrelsen fastställt tentamensschema skall därvid särskilt beaktas.

  1. Kurser med skriftlig tentamen skall ge betygen (U, 3, 4, 5).
  2. Kurser med stor del tillämpningsinriktade moment såsom laborationer, projekt eller grupparbeten får ges betygen underkänd (U) eller godkänd (G).

Examinationsmoment

  1. Skriftlig tentamen (TEN) skall ge betyg (U, 3, 4, 5).
  2. Examensarbete samt självständigt arbete ger betyg underkänd (U) eller godkänd (G).
  3. Examinationsmoment som kan ge betygen underkänd (U) eller godkänd (G) är laboration (LAB), projekt (PRA), kontrollskrivning (KTR), muntlig tentamen (MUN), datortentamen (DAT), uppgift (UPG), hemtentamina (HEM).
  4. Övriga examinationsmoment där examinationen uppfylls framför allt genom aktiv närvaro som annat (ANN), basgrupp (BAS) eller moment (MOM) ger betygen underkänd (U) eller godkänd (G).

Rapportering av den studerandes examinationsresultat sker på respektive institution.

Regler

Universitetet är en statlig myndighet vars verksamhet regleras av lagar och förordningar, exempelvis Högskolelagen och Högskoleförordningen. Förutom lagar och förordningar styrs verksamheten av ett antal styrdokument. I Linköpings universitets egna regelverk samlas gällande beslut av regelkaraktär som fattats av universitetsstyrelse, rektor samt fakultets- och områdesstyrelser. 

LiU:s regelsamling angående utbildning på grund- och avancerad nivå nås på http://styrdokument.liu.se/Regelsamling/Innehall/Utbildning_pa_grund-_och_avancerad_niva. 

Böcker

Bishop, C. M, (2006) Pattern Recognition and Machine Learning Springer
Hastie, T., Tibshirani, R., och Friedman J., (2009) The Elements of Statistical Learning: Data Mining, Inference and Prediction 2:a upplagan Springer
I = Introducera, U = Undervisa, A = Använda
I U A Moduler Kommentar
1. ÄMNESKUNSKAPER
1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen
X
X
X
DAT1
Sannolikhetslära och statistikteori är grunden för maskininlärning
1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen
X
LAB1
Programmeringskunskaper
1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen

                            
1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen

                            
1.5 Insikt i aktuellt forsknings- och utvecklingsarbete

                            
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
2.1 Analytiskt tänkande och problemlösning
X
X
X
DAT1
LAB1
Problemformulering. Problemlösning. Formulera relevanta slumpmodeller. Kvantifiering och analys av osäkerhet. Prediktion och beslut.
2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning
X
X
X
DAT1
LAB1
Slutledning. Utvärdering av modeller, bl a genom prediktion. Simulering. Programmering.
2.3 Systemtänkande
X
X
X
DAT1
LAB1
Helhetstänkande: modell-data-inferens-prediktion-beslut
2.4 Förhållningssätt, tänkande och lärande
X
LAB1
Kreativt och kritiskt tänkande vid problemlösning under lektioner och datorlabb.
2.5 Etik, likabehandling och ansvarstagande

                            
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
3.1 Arbete i grupp
X
LAB1
Datorövningar i grupper om två personer
3.2 Kommunikation
X
LAB1
Skriftlig rapport vid datorlabb. Diskussioner på lektioner och datorövningar.
3.3 Kommunikation på främmande språk

                            
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
X
Teknik som skapar information (data) - möjligheter och konsekvenser.
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

                            
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 för kunskapsutveckling

                            
5.2 Ekonomiska villkor för kunskapsutveckling

                            
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.