Kursplan för

Modellering och inlärning från data
Modelling and Learning from Data

FRTN65, 7,5 högskolepoäng, A (Avancerad nivå)

Gäller för: Läsåret 2020/21
Beslutad av: Programledning F/Pi
Beslutsdatum: 2020-04-01

Allmänna uppgifter

Huvudområde: Maskininlärning, system och reglerteknik.
Obligatorisk för: MMSR1
Undervisningsspråk: Kursen ges på engelska

Syfte

Kursen ger en introduktion till problemet att lära från data, med fokus på de grundläggande koncepten i dataanalys. Kursens mål är att studenterna ska läsa sig principer och fundamentala begränsningar för vad som kan inläras från data, med tekniker både från maskininlärnings- och systemidentifieringsdomänen.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

• kunna definiera grundläggande begrepp inom dataanalys.
• förstå begränsningar i inlärningsparadigmet samt begränsningar och konfidens i inlärningsprocessen.
• ha kunskap om de olika modelltyper och -alternativ som kan användas för att beskriva data.
• förstå och följa de olika faserna i processen att bygga modeller, från utformning av inlärningsprocessen till dess tillämpning på en datamängd samt validering av den erhållna modellen.
• beskriva och motivera de grundläggande egenskaperna av både maskininlärningsmodeller (såsom regression, neurala nätverk och klassificerare) och systemidentifieringsmetoder (såsom minstakvadratmetoden, prediktionsfelsmetoder och rekursiva identifieringsprocedurer).

 

Färdighet och förmåga
För godkänd kurs skall studenten

• kunna implementera maskininlärningsalgoritmer och resonera om det bästa valet för en given datamängd.
• kunna implementera systemidentifieringsprocedurer och genomföra modellval och avgöra hur en given datamängd ska analyseras.
• kunna simulera och förstå de erhållna modellerna.
• lösa inlärningsproblem genom att skriva och använda datorprogram.

 

Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten

• förstå den konfidens som är möjlig att uppnå med dataanalys.
• bemästra lagarbete och samarbete i laborationerna.

 

Kursinnehåll

Att lära från data är viktigt och har många tillämpningar. Fältet maskininlärning är väldigt dynamiskt och förändras extremt snabbt; nya tekniker framträder medan de gamla faller undan och ersätts. Fundamenta kring inlärning kan dock strikt definieras. Kursen ger en solid grund för alla studenter som vill närma sig dataanalys och vill förstå inlärningsproblemet. Kursen täcker de fundamentala begränsningarna hos inlärning och övergången från deterministiskt till probabilistiskt rum. Kursen introducerar övervakad och oövervakad inlärning. Den diskuterar olika typer av modeller och inlärningstekniker.

Första delen av kursen viks åt maskininlärningsproblemet och -algoritmer. I ramverket för övervakad inlärning behandlar kursen klassificering och regression. I ramverket för oövervakad inlärning innehåller kursen klustringstekniker. Vi beskriver olika modelltyper, såsom neurala nätverk och beslutsträd.

Den andra delen av kursen viks åt systemidentifieringsproblem och beskriver koncepten gråbox- och svartboxmodeller och tekniker för att utföra systemidentifieringsproceduren. Kursen behandlar särskilt linjär regression, maximal trolighetsestimering, prediktionsfelsmetoder och experimentutformning.

Laborationer: Analys av låtpreferenser; Väderprognoser baserade på historiska data; Identifiering av dynamiska systemmodeller.

Kursens examination

Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Skriftlig tentamen (5 timmar), tre laborationer inklusive tre inlämningsuppgifter. Vid färre än 5 anmälda studenter kan muntlig omtentamen ges.

Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student.

Delmoment
Kod: 0120. Benämning: Modellering och inlärning från data.
Antal högskolepoäng: 4,5. Betygsskala: TH. Prestationsbedömning: Skriftlig tentamen
Kod: 0220. Benämning: Laboration 1.
Antal högskolepoäng: 1. Betygsskala: UG. Prestationsbedömning: Godkänd laboration och inlämningsuppgift.
Kod: 0320. Benämning: Laboration 2.
Antal högskolepoäng: 1. Betygsskala: UG. Prestationsbedömning: Godkänd laboration och inlämningsuppgift.
Kod: 0420. Benämning: Laboration 3.
Antal högskolepoäng: 1. Betygsskala: UG. Prestationsbedömning: Godkänd laboration och inlämningsuppgift.

Antagningsuppgifter

Förutsatta förkunskaper: Kurser jämbördiga med förkunskapskraven för masterprogrammet i Maskininlärning, system, och reglering.
Begränsat antal platser: Nej
Kursen överlappar följande kurser: FRTN35, FRT041

Kurslitteratur

• Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin: Learning From Data; AMLBook (2012).
• Lennart Ljung: System Identification: Theory for the user; Pearson Education (1998).

Kontaktinfo och övrigt

Kursansvarig: Martina Maggio, martina.maggio@control.lth.se
Kursansvarig: Bo Bernhardsson, bo.berhhardsson@control.lth.se
Studierektor: Anton Cervin, anton.cervin@control.lth.se
Hemsida: http://www.control.lth.se/course/FRTN65
Övrig information: Kursen är hösten 2020 öppen endast för studenter antagna till masterprogrammet i maskininlärning, system och reglerteknik.