Kursplan för

Maskininlärning
Machine Learning

FMAN45, 7,5 högskolepoäng, A (Avancerad nivå)

Gäller för: Läsåret 2023/24
Fakultet: Lunds tekniska högskola
Beslutad av: Programledning F/Pi
Beslutsdatum: 2023-04-18

Allmänna uppgifter

Huvudområde: Maskininlärning, system och reglerteknik.
Alternativobligatorisk för: MMSR1
Valfri för: BME4, D4-bg, D4-mai, E5, F4, F4-bs, F4-bg, F4-r, F4-mai, I4, Pi4-bam
Undervisningsspråk: Kursen ges på begäran på engelska

Syfte

Att ge kännedom om grunderna för maskinlärning -- konstruktion av automatiserade system som kan lära/hämta information från data, till exempel lära sig känna igen tecken i handskriven text.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

• kunna redogöra för de statistiska principerna som ligger till grund för maskininlärning
• kunna beskriva den vetenskapliga grunden för att utveckla och analysera inlärningsalgoritmer och lärande system
• ha fördjupade kunskaper om metoder och teorier inom området maskininlärning.

Färdighet och förmåga
För godkänd kurs skall studenten

• ha visat förmåga att utveckla inlärningsmetoder och lärande system för relevanta tekniska frågeställningar
• ha visad förmåga att identifiera, formulera, designa och implementera lärande komponenter och applikationer.

Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten

• ha visat förmåga att kritiskt värdera och jämföra olika inlärningsmodeller och inlärningsalgoritmer för olika problemuppställningar och kvalitetsegenskaper.

Kursinnehåll

• Inlärning, prövning, generalisering, hypotesrum
• Linjär regression och klassificering
• Optimeringstekniker och statistiska verktyg för maskininlärning
• Neurala nätverk, faltningsnätverk och djup maskininärning
• Klusteranalys, autoencoders and generativa modeller

Kursens examination

Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Obligatoriska inlämningsuppgifter som inkluderar datorarbete och rapport. Godkänt resultat på dessa räcker för godkänt på kursen. För överbetyg fordras dessutom godkänt resultat på en muntlig tentamen. För dem som inte blir godkända på inlämningarna kommer det att finnas en möjlighet att komplettera under följande termin.

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:

• FMAF05 Matematik - System och transformer eller FMAF10 Tillämpad matematik - Linjära system

Förutsatta förkunskaper: FMAF05 Matematik - System och transformer eller FMAF10 Tillämpad matematik - Linjära system, samt någon av grundkurserna i Matematisk statistik.
Begränsat antal platser: 110
Urvalskriterier: Avklarade högskolepoäng inom programmet. (Observera att endast högskolepoäng som enligt Ladok tillgodoräknats inom programmet före antagningen räknas. För studenter på masterprogram adderas 180 hp motsvarande tidigare kandidatexamen.) Förtur ges till studenter vars program har kursen listad i läro- och timplanen. Bland dessa studenter ges platsgaranti till studerande på masterprogrammet i Maskininlärning, system och reglerteknik, för vilka kursen är obligatorisk.
Kursen överlappar följande kurser: EDAN96

Kurslitteratur

• Bishop, C. M.: Pattern Recognition and Machine Learning. Springer, 2006, ISBN: 9780387310732. Referenstext.
• I. Goodfellow, Y. Bengio & A. Courville: Deep Learning. MIT press, 2016, ISBN: 978-0-262-03561-3. Referenstext. HTLM-version finns på http://www.deeplearningbook.org/.
• T. Hastie, R. Tibshirani & J. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition. Springer, 2009, ISBN: 9780387848570. Referenstext. E-bok tillgänglig via UB.
• Mikael Nilsson: Lecture slides. Kan i stort sett läsas som självständig lärobok. Tillgänglig via kurshemsidan under kursen.

Kontaktinfo och övrigt

Kursansvarig: Anders Holst, studierektor@math.lth.se
Kursadministratör: Studerandeexpeditionen, expedition@math.lth.se
Lärare: Mikael Nilsson, mikael.nilsson@math.lth.se
Hemsida: https://canvas.education.lu.se/courses/20372