Inlärningsteori och förstärkningsinlärning
Learning Theory and Reinforcement Learning

EDA065F, 6 högskolepoäng

Gäller från och med: Vårterminen 2020
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2020-08-26

Allmänna uppgifter

Avdelning: Datavetenskap (LTH)
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

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

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• 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

Färdighet och förmåga

För godkänd kurs skall doktoranden

• 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

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• 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

Kursinnehåll

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).

Kurslitteratur

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

Kursens undervisningsformer

Undervisningsformer: 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.

Kursens examination

Examinationsformer: 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.
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förutsatta förkunskaper: 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.

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvarig: Elin A. Topp <elin_a.topp@cs.lth.se>
Hemsida: https://wasp-sweden.org/graduate-school/ai-graduate-school-courses/