Introduktion till maskininlärning
Introduction to Machine Learning

EIT155F, 7.5 högskolepoäng

Gäller från och med: Höstterminen 2016
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2016-12-08

Allmänna uppgifter

Avdelning: Inst för elektro- och informationsteknik
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

Att ge kännedom om grunderna för maskinlärning -- konstruktion av automatiserade system som kan lära/hämta information från data, till exempel lära sig känna igen tecken i handskriven text.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• ha god förståelse för de statistiska principerna som ligger till grund för maskininlärning
• ha kunskap om den vetenskapliga grunden för att utveckla och analysera inlärningsalgoritmer och lärande system
• ha fördjupade kunskaper om metoder och teorier inom området maskininlärning.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• ha visad förmåga att utveckla inlärningsmetoder och lärande system för relevanta tekniska frågeställningar
• ha visad förmåga att identifiera, formulera, designa och implementera lärande komponenter och applikationer.

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden ha förmåga att kritiskt värdera och jämföra olika inlärningsmodeller och inlärningsalgoritmer för olika problemuppställningar och kvalitetsegenskaper.

Kursinnehåll

Inlärning, prövning, generalisering, hypotesrum Linjär regression och klassificering Kärnmetoder och stödvektormaskiner Grafiska modeller Superpositionsmodeller, EM-algoritmen. Variations- och samplingsmetoder.

Kurslitteratur

Bishop, C. M: Pattern Recognition and Machine Learning. Springer, 2006. ISBN 9780387310732.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, seminarier, projekt, litteraturkurs som självstudier

Kursens examination

Examinationsformer: Inlämningsuppgifter, seminarieföredrag av deltagarna. Obligatoriska inlämningsuppgifter som inkluderar datorarbete och rapport. Inlämningsuppgifterna ska ha kamratgranskats samt diskuterats i studiegruppen.
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förutsatta förkunskaper: FMA420 Linjär algebra, FMA430 Flerdimensionell analys, FMAF05 System och transformer samt någon av grundkurserna i Matematisk statistik.

Övrig information

Examinator: Maria Kihl (maria.kihl@eit.lth.se)

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga: