Engelska

Varje hösttermin

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.

* 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

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

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

* kunna bedöma tillämpningsbarheten av en maskininlärningsmetod till ett givet problem,
* förstå begränsningar av maskininlärningsmetoder och ansatser

Föreläsningar

Laborationer

Skriftlig tentamen

Skriftlig examination kan ersättas genom muntlig sådan enligt överenskommelse

Underkänd, godkänd

EDAA01 Programmeringsteknik - fördjupningskurs eller motsvarande

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.

EDAN95F

 -10-15

Professor Thomas Johansson