lu.se

Forskar­utbildnings­kurser

Lunds tekniska högskola | Lunds universitet

Detaljer för kurs EDAN95F Tillämpad Maskininlärning

Utskriftsvänlig visning

Allmänt
  • EDAN95F
  • Aktiv
Kursnamn
  • Tillämpad Maskininlärning
Kursomfattning
  • 7,5
Undervisningsform
  • Gemensam kurs, avancerad nivå och forskarnivå
  • EDAN95, EDAN96
Administrativ information
  • 7121 (Datavetenskap (LTH))
  • EDAN95, EDAN96
  •  -10-15
  • Professor Thomas Johansson

Aktuell fastställd kursplan

Allmänt
  • Engelska
  • Varje hösttermin
  • cs.lth.se/edan95
Syfte
  • Att ge en introduktion till flera delområden inom maskininlärning och att orientera om grundläggande metoder och algoritmer tillgängliga inom dessa områden. Att förmedla bredd och djup inom ämnet.
Innehåll
  • * oövervakad och övervakad inlärning, klassificering och regression
    * neurala nätverk inklusive konvolutionella nätverk, återkommande neurala nätverk och djupinlärning
    * bayesisk inlärning
    * förstärkningsinlärning
    * support vector machines, beslutsträd, suumpskogar, ensemblemetoder
    * hårdvaru- och mjukvaruarkitekturer för maskininlärning, parallellisering, användning av GPUer
Kunskap och förståelse
  • För godkänd kurs skall doktoranden
  • vid en skriftlig tentamen eller muntlig examination enligt överenskommelse visa grundläggande kunskaper om teori och metoder relaterade till följande delområden:
    oövervakad och övervakad inlärning, klassificering och regression
    neurala nätverk inklusive konvolutionella neurala nätverk, återkommande neurala nätverk och djupinlärning
    bayesisk inlärning
    förstärkningsinlärning
    support vector machines, beslutsträd, slumpskogar, ensemble-metoder
Färdighet och förmåga
  • För godkänd kurs skall doktoranden
  • utföra ett antal inlämningsuppgifter av problemlösningskaraktär relaterade till några av ovannämnda delområden som visar studentens kapacitet att:
    bedöma och förbereda data
    välja och träna en modell
    bedöma resultatet och justera modellen
Värderingsförmåga och förhållningssätt
  • För godkänd kurs skall doktoranden
  • * kunna bedöma tillämpningsbarheten av en maskininlärningsmetod till ett givet problem,
    * förstå begränsningar av maskininlärningsmetoder och ansatser
Undervisningsformer
  • Föreläsningar
  • Laborationer
Examinationsformer
  • Skriftlig tentamen
  • Skriftlig examination kan ersättas genom muntlig sådan enligt överenskommelse
  • Underkänd, godkänd
Förkunskapskrav
Förutsatta förkunskaper
  • EDAA01 Programmeringsteknik - fördjupningskurs eller motsvarande
Urvalskriterier
Litteratur
  • Murphy, Kevin P.: Machine Learning, A Probabilistic Perspective.. ISBN 9780262018029.
    Goodfellow, I., Bengio, Y. & Courville, A.: Deep Learning. MIT Press, 2016. ISBN 9780262035613.
    Hands-On Machine Learning with Scikit-Learn and TensorFlow, Concepts, Tools, and Techniques to Build Intelligent Systems. ISBN 9781491962299.
Övrig information
Kurskod
  • EDAN95F
Administrativ information
  •  -10-15
  • Professor Thomas Johansson

Alla fastställda kursplaner

1 kursplan.

Gäller från och med Första inlämning Andra inlämning Fastställd
HT 2018 2018‑10‑12 16:27:33 2018‑10‑15 08:28:40 2018‑10‑15

Aktuellt eller kommande publicerat kurstillfälle

Inget matchande kurstillfälle hittades.

Alla publicerade kurstillfällen

5 kurstillfällen.

Kurskod ▽ Kursnamn ▽ Avdelning ▽ Inrättad ▽ Kursplan giltig från ▽ Startdatum ▽ Slutdatum ▽ Publicerad ▽
EDAN95F Tillämpad Maskininlärning Datavetenskap (LTH) 2019‑09‑26 Höstterminen 2018 2019‑11‑04 2019‑12‑31 2019‑09‑26
EDAN95F Tillämpad Maskininlärning Datavetenskap (LTH) 2020‑09‑29 Höstterminen 2018 2020‑11‑02 2020‑12‑31 2020‑09‑29
EDAN95F Tillämpad Maskininlärning Datavetenskap (LTH) 2021‑08‑16 Höstterminen 2018 2021‑11‑01 2021‑12‑31 2021‑08‑16
EDAN95F Tillämpad Maskininlärning Datavetenskap (LTH) 2022‑06‑08 Höstterminen 2018 2022‑10‑31 2023‑01‑31 2022‑06‑08
EDAN95F Tillämpad Maskininlärning Datavetenskap (LTH) 2023‑06‑15 Höstterminen 2018 2023‑10‑30 2024‑01‑31 2023‑06‑15

Utskriftsvänlig visning