Tillämpad Maskininlärning
Applied Machine Learning

EDAN95F, 7.5 högskolepoäng

Gäller från och med: Höstterminen 2018
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2018-10-15

Allmänna uppgifter

Avdelning: Datavetenskap (LTH)
Kurstyp: Gemensam kurs, avancerad nivå och forskarnivå
Kursen ges även på avancerad nivå med kurskoder: EDAN95, EDAN96
Undervisningsspråk: Engelska

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.

Mål

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

Kursinnehåll

* 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

Kurslitteratur

• 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.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, laborationer

Kursens examination

Examinationsform: Skriftlig tentamen. Skriftlig examination kan ersättas genom muntlig sådan enligt överenskommelse
Betygsskala: Underkänd, godkänd
Examinator: Biträdande universitetslektor Maj Stenmark

Antagningsuppgifter

Förutsatta förkunskaper: EDAA01 Programmeringsteknik - fördjupningskurs eller motsvarande

Kurstillfällesinformation

Startdatum: 2024-11-04
Slutdatum: 2025-01-31
Kursfart: Helfart

Anmälningsinformation

Kontakta 1:a kursansvarig (Maj Stenmark, via e-post) SENAST 30 sep för att komma med i urvalsprocessen enligt följande prioritetsordning: Doktorander från 1. Datavetenskap, 2. övriga LTH, 3. övriga LU, 4. externa, 5. övriga deltagare. Antalet platser på forskarutbildningsnivå bestäms utifrån söktrycket på grundutbildningsnivå. Handledarens medgivande behövs.

Kontaktinformation och övrigt

Kursansvariga:

• Maj Stenmark <maj.stenmark@cs.lth.se>
• Elin A. Topp <elin_a.topp@cs.lth.se>