Engelska

Vid tillräcklig efterfrågan

Kursen ska ge förståelse för underliggande matematiska och statistiska principer inom maskininlärningen, samt insyn i inlärningsansatsen Reinforcement Learning (förstärkningsinlärning).

Kursen är uppbyggd som tre moduler:
Första modulen behandlar matematiska metoderna som bildar grundstenen för teorin bakom maskininlärning (statistiska ramverk, optimering, concentration). Andra modulen tillämpar de teoretiska metoder från modul 1 på nyare övervakade och icke övervakade inlärningsproblem (SVM, Deep Learning, Clustering). Den tredje modulen behandlar både teorin och praktiska aspekter av förstärkningsbaserad inlärning (Reinforcement Learning).

kunna termer, koncept och matematiska / logiska uttryck som används i det presenterade materialet
kunna förstå och förklara de presenterade koncepten
kunna använda de presenterade koncepten för att uttrycka ett givet problem med deras hjälp,
kunna de konceptuella och matematiska verktyg och metoder som behövs för att lösa ett givet problem

kunna lösa givna problem / uppgifter med de presenterade verktygen, åtminstone på en viss nivå av komplexitet
bedöma om ett visst verktyg är användbart i en given kontext utanför kursens direkta innehåll
kunna överföra de lärda koncepten och verktyg till problem utanför själva kursen om detta är lämplig

kunna bedöma fördelar, ramen för användningsmöjligheter och begränsningar av presenterade verktyg och koncept i en given (forskningsrelaterad) kontext
kunna granska och bedöma konsekvenserna av tillämpningen av inom kursen diskuterade verktyg utan för kursens direkta ramen

Föreläsningar

Laborationer

övningar

Litteraturkurs som självstudier

övrigt

Varje modul består av ett fysiskt två-dagars-möte och är individuellt sammansatt av respektive kursledare, med en blandning av (delar av) självstudiematerial, läsanvisningar, föreläsningar, övningar, laborationer och inlämningsuppgifter.

Inlämningsuppgifter

övrigt

Examinationskriteria utöver aktivt deltagande i det fysiska mötet för varje modul fastställs och kommuniceras av respektive ansvarig lärare för varje modul i samband med det fysiska mötet för modulen.

Underkänd, godkänd

Specifika förkunskaper per modul meddelas genom kurshemsidan innan kursstart. Generellt förutsätter kursen att studenten har vissa kunskaper inom probabilistiska metoder, grafiska modeller, och predikatlogik. Kursdeltagare antas ha en bakgrund i Datavetenskap, Matematik, Teknisk Fysik, Elektroteknik eller ett närliggande område.

 

Kursmaterial (föreläsningsbilder, artiklar och literaturhänvisningar) och övningsuppgifter är tillgängliga genom kurshemsidan eller ett motsvarande kurshanteringssystem enligt angivelse av modulansvarig lärare.

EDA065F

2020-08-26

Professor Thomas Johansson