Gäller från och med: Vårterminen 2020
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2020-08-26
Avdelning: Datavetenskap (LTH)
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska
Kursen ska ge förståelse för underliggande matematiska och statistiska principer inom maskininlärningen, samt insyn i inlärningsansatsen Reinforcement Learning (förstärkningsinlärning).
Kunskap och förståelse
För godkänd kurs skall doktoranden
Färdighet och förmåga
För godkänd kurs skall doktoranden
Värderingsförmåga och förhållningssätt
För godkänd kurs skall doktoranden
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).
Kursmaterial (föreläsningsbilder, artiklar och literaturhänvisningar) och övningsuppgifter är tillgängliga genom kurshemsidan eller ett motsvarande kurshanteringssystem enligt angivelse av modulansvarig lärare.
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.
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:
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.
Kursansvarig: Elin A. Topp <elin_a.topp@cs.lth.se>
Hemsida: https://wasp-sweden.org/graduate-school/ai-graduate-school-courses/