Kursplan för
Tillämpad maskininlärning
Applied Machine Learning
EDAN95, 7,5 högskolepoäng, A (Avancerad nivå)
Gäller för: Läsåret 2020/21
Beslutad av: Programledning C/D
Beslutsdatum: 2020-03-30
Allmänna uppgifter
Valfri för: BME4, C4-pv, D4-bg, D4-mai, E4-bg, F4, F4-pv, F4-mai, MSOC2, Pi4-fm, Pi4-pv, MMSR2
Undervisningsspråk: Kursen ges på engelska
Syfte
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.
Mål
Kunskap och förståelse
För godkänd kurs skall studenten
- vid en skriftlig tentamen 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
Färdighet och förmåga
För godkänd kurs skall studenten
- 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
Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten
- kunna bedöma tillämpningsbarheten av en
maskininlärningsmetod till ett givet problem,
- förstå begränsningar av maskininlärningsmetoder och
ansatser
Kursinnehåll
- oövervakad och övervakad inlärning, klassificering och
regression
- neurala nätverk inklusive konvolutionella nätverk,
återkommande neurala nätverk och djupinlärning
- bayesisk inlärning
- förstärkningsinlärning
- support vector machines, beslutsträd, slumpskogar,
ensemblemetoder
Kursens examination
Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Laborations/-inlämningsuppgifter och frivillig skriftlig tentamen. Fullgjorda laborationer ger betyg godkänt (3), högre betyg kan uppnås vid deltagande i den frivilliga tentamen.
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.
Antagningsuppgifter
Förkunskapskrav:
- EDAA01 Programmeringsteknik - fördjupningskurs eller EDAA30 Programmering i Java - fortsättningskurs eller EDAA45 Programmering, grundkurs eller EDAA55 Programmeringsteknik
- EDAA01 Programmeringsteknik - fördjupningskurs eller EDAA30 Programmering i Java - fortsättningskurs eller FMNN25 Avancerad kurs i numeriska algoritmer med Python/SciPy
Begränsat antal platser: 60
Urvalskriterier: Avklarade högskolepoäng inom programmet. Förtur ges till studenter vars program har kursen listad i läro- och timplanen.
Kurslitteratur
- Kevin P. Murphy: Machine Learning, A Probabilistic Perspective. MIT Press, 2012, ISBN: 9780262018029. Referenstext om ämnet.
- Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning. MIT Press, 2016, ISBN: 9780262035613. Referenstext om djupinlärning.
- François Chollet: Deep Learning with Python. Manning Publications, 2018, ISBN: 9781617294433. Referenstext om den praktiska delen av ämnet.
- Richard S. Sutton and Andrew G. Barto: Reinforcement Learning: An Introduction. MIT Press Ltd, 2018, ISBN: 9780262039246. Referenstext om förstärkningsinlärning / aktionsinlärning.
Kontaktinfo och övrigt
Lärare: Pierre Nugues, pierre.nugues@cs.lth.se
Kursansvarig: Elin Anna Topp, elin_anna.topp@cs.lth.se
Lärare: Volker Krueger, volker.krueger@cs.lth.se
Hemsida: http://cs.lth.se/edan95
Övrig information: Detaljerade föreskrifter för fullgörande av inlämningsuppgifterna kommer att finnas på kurswebben.