Avancerad tillämpad maskininlärning
Advanced Applied Machine Learning

EDA090F, 7.5 högskolepoäng

Gäller från och med: Vårterminen 2023
Beslutad av: Maria Sandsten
Datum för fastställande: 2023-01-24

Allmänna uppgifter

Avdelning: Datavetenskap (LTH)
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

Att ge fördjupad kunskap och färdigheter i utvalda områden inom maskininlärning, som introducerades i kursen EDAN95F / EDAN96 Tillämpad Maskininlärning, samt introducera ytterligare, avancerade, områden, som inte behandlades i kursen EDAN95F / EDAN96.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• - kunna visa kunskaper och förståelse inom de olika områden som diskuteras i kursen
• - kunna förklara hur metoderna / modellerna som utgör kärndelen av kursen är uppbyggda och fungerar
• - kunna beskriva metoder och områden som diskuterades på överblicksnivå i kursen

Färdighet och förmåga

För godkänd kurs skall doktoranden

• - kunna nyttja verktyg för datahantering och -förbehandling som diskuteras i kursen
• - kunna nyttja (inom kursen introducerade) verktyg för och genomföra lämpliga utvärderingar av metoderna som används i kursen
• - kunna implementera sina egna modeller / lösningar inom kursens kärnområden

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• - kunna visa förståelse för vilka metoder (maskininlärningsmodeller och -algoritmer) som är lämpliga inom olika användningsområden
• - visa förståelse för begränsningarna som i stort sett alla maskininlärningsansatser har, samt kunna beskriva sådana begränsningar och respektive konsekvenserna för användningen av modellerna

Kursinnehåll

Huvudsakligen består innehållet av fyra områden: Bildklassificiering med djupa neurala nätverk (mest CNNs), textbehandling med djupa nätverk och transformers (RNNs), Bayesiansk optimering, samt förstärkningsinlärning. Andra ämnen kommer behandlas på översiktsnivå. Kärnområden belyses såväl teoretiskt som praktiskt genom inlämningsuppgifter.

Kurslitteratur

Litteraturlista finns angiven i kursplanen för EDAP30 Avancerad tillämpad maskininlärning

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, laborationer. "Laborationer" är programmeringsuppgifter, som kan bearbetas i mindre grupper och ska redovisas för en kursassistent i respektive laborationstillfällen eller under ett seminarium i grupp (alla forskarstuderande på kursen) med lärare

Kursens examination

Examinationsformer: Inlämningsuppgifter, seminarieföredrag av deltagarna. Laborationstillfällen för redovisning av programmeringsuppgifter (se ovan) kan ersättas av ett seminarium för alla forskarstuderande på kursen, där uppgifterna diskuteras gemensamt med läraren
Betygsskala: Underkänd, godkänd
Examinator: Universitetslektor Elin A. Topp

Antagningsuppgifter

Förutsatta förkunskaper: EDAN95F / EDAN96 Tillämpad Maskininlärning, FMAN45 Maskininlärning eller motsvarande

Kurstillfällesinformation

Startdatum: 2023-03-20
Kursfart: Helfart

Anmälningsinformation

Kontakta kursansvarig (Elin A. Topp) personligen per e-post. Plats ges efter bedömning av söktrycket för kursen EDAP30, som denna kurs är baserad på. Prioritet för platsfördelning ges enligt följande rangordning av tillhörigheter: Inst f datavetenskap, LTH, LU, extern

Kontaktinformation och övrigt

Kursansvariga:

• Erik Hellsten <erik.hellsten@cs.lth.se>
• Luigi Nardi <luigi.nardi@cs.lth.se>