Avancerad tillämpad maskininlärning
Advanced Applied Machine Learning

EDAP30, 7.5 högskolepoäng, A (Avancerad nivå)

Gäller för: 2024/25
Fakultet: Lunds tekniska högskola
Beslutad av: Programledning C/D
Beslutsdatum: 2024-04-16
Ikraftträdande: 2024-05-08

Allmänna uppgifter

Fördjupning: Avancerad nivå, kurs/er som inte kan klassificeras
Valfri för: BME4, C4-pvs, C4-pvt, D4-bg, D4-mai, E4-bg, F4, MSOC2, Pi4
Undervisningsspråk: Kursen ges på engelska

Syfte

Att ge djupa kunskaper i tidigare introducerade delområden av maskininlärning, att introducera avancerade delområden inom maskininlärningen och att ge insikter om områdenas tillämpningar.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

• visa avancerade kunskaper berörande teori, metoder och tillämpningar tillhörande följande delområden: neurala nätverk, inklusive konvolutionella nätverk, återkommande neurala nätverk och djupinlärning
• visa avancerade kunskaper berörande teori, metoder och tillämpningar tillhörande följande delområden: autokodare (autoencoders)
• visa avancerade kunskaper berörande teori, metoder och tillämpningar tillhörande följande delområden: förstärkningsinlärning (reinforcement learning)
• visa avancerade kunskaper berörande teori, metoder och tillämpningar tillhörande följande delområden: Bayesiansk inlärning
• visa avancerade kunskaper berörande teori, metoder och tillämpningar tillhörande följande delområden: Gaussianska processer
• visa avancerade kunskaper berörande teori, metoder och tillämpningar tillhörande följande delområden: Bayesisk optimering

Färdighet och förmåga
För godkänd kurs skall studenten

• färdigställa ett antal uppgifter som grundas i problemställningar tillhörande ett urval av tidigare nämnda delområden samt visa förmågan att: utvärdera och förbereda nödvändiga data
• färdigställa ett antal uppgifter som grundas i problemställningar tillhörande ett urval av tidigare nämnda delområden samt visa förmågan att: välja / implementera och träna en modell
• färdigställa ett antal uppgifter som grundas i problemställningar tillhörande ett urval av tidigare nämnda delområden samt visa förmågan att: utvärdera resultatet och finanpassa 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

Huvudämnen, introducerade och diskuterade på avancerad nivå:

• neurala nätverk, inklusive konvolutionella nätverk, återkommande neurala nätverk och djupinlärning
• autokodare
• Bayesisk inlärning
• Gaussiska processer
• Bayesisk optimering
• förstärkningsinlärning

Ämnen för introducerade överblick:

• grafiska modeller / Bayesiska nät och klassificerare

Kursens examination

Betygsskala: TH - (U, 3, 4, 5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Laborations/-projekt/-inlämningsuppgifter och frivillig skriftlig tentamen. Fullgjorda uppgifter ger betyg godkänt (3), högre betyg kan uppnås vid deltagande i den frivilliga tentamen. Det kan förekomma bonuspoängsystem då specifika delar av laborations- och inlämningsuppgifter som bearbetas utöver den allmänna delen kan generera bonuspoäng vid ett evtl deltagande i tentan.

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.

Moduler
Kod: 0122. Benämning: Avancerad tillämpad maskininlärning.
Antal högskolepoäng: 7.5. Betygsskala: TH - (U, 3, 4, 5). Prestationsbedömning: För godkänt betyg (3) krävs fullgjorda uppgifter. Godkända laborationer / uppgifter berättigar till deltagande i skriftlig tentamen, som ger möjlighet att få högre betyg, dvs vid betyg 4 eller 5 i tentamen blir detta kursens slutbetyg. Modulen omfattar: Laborations-/projektuppgifter / inlämningsuppgifter (alla fullgjorda krävs för godkänt betyg). Frivillig skriftlig tentamen.

Antagningsuppgifter

Förkunskapskrav:

• Minst 150 godkända högskolepoäng inom civilingenjörsutbildningen eller motsvarande tidigare utbildning.
• EDAA01 Programmeringsteknik - fördjupningskurs
    och
  (BMEN35 Datadriven hälsa eller EDAN96 Tillämpad maskininlärning eller FMAN45 Maskininlärning)

Kurslitteratur

• Kevin P. Murphy: Machine Learning - A Probabilistic Perspective. MIT Press, 2012, ISBN: 9780262018029. Referenstext om ämnet.
• Richard S. Sutton and Andrew G. Barto: Reinforcement Learning: An Introduction. MIT Press Ltd, 2018, ISBN: 9780262039246. Referenstext om förstärkningsinlärning / aktionsinlärning.
• 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.
• A. Lindholm, N. Wahlström, F. Lindsten, T.B. Schön: Machine Learning - A First Course for Engineers and Scientists. Cambridge University Press, 2022, ISBN: 978-1-108-84360-7. Referenstext om ämnet.
• C. E. Rasmussen and C. K. I. Williams: Gaussian Processes for Machine Learning. MIT Press, 2006, ISBN: 026218253X. Referenstext om Gaussian Processes.

Kontaktinfo

Kursansvarig: Elin A. Topp, elin_a.topp@cs.lth.se
Kursansvarig: Erik Hellsten, erik.hellsten@cs.lth.se
Lärare: Marcus Klang, marcus.klang@cs.lth.se
Lärare: Pierre Nugues, pierre.nugues@cs.lth.se
Lärare: Volker Krueger, volker.krueger@cs.lth.se
Hemsida: https://cs.lth.se/edap30/

Övrig information