Tillämpad maskininlärning
Applied Machine Learning

EDAN96, 7.5 högskolepoäng, A (Avancerad nivå)

Gäller för: 2026/27
Fakultet: Lunds tekniska högskola
Beslutad av: Programledning C/D
Beslutsdatum: 2026-04-16
Ikraftträdande: 2026-05-18

Allmänna uppgifter

Fördjupning: Avancerad nivå, kurs/er som inte kan klassificeras
Valfri för: C4-pvs, C4-pvt, D4-bg, D4-mai, D4-se, D4-pv, E4-bg, E4-mi, F4, F4-pv, F4-fm, I4-pvs, MSOC2, N4, Pi4-fm, Pi4-pv
Undervisningsspråk: Kursen ges på engelska

Syfte

Att ge en introduktion till grundläggande metoder och algoritmer inom maskininlärning och att ge en introduktion till ett urval av specifika delområden och tillämpningar. Att förmedla både bredd och djup inom ämnet.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

• Förstå grundläggande maskininlärningsmodeller, den matematiska bakgrunden, grundläggande algoritmer, tekniker för databehandling, träning och evaluering.
• Implementera maskininlärningsmodeller och behandla data samt tolka, utvärdera och förbättra dem under laborationerna.
• Känna till allmänna modeller och arkitekturer för vanliga applikationer.

Färdighet och förmåga
För godkänd kurs skall studenten

• utvärdera och förbereda nödvändiga data.
• välja, implementera och träna en modell.
• 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

Fundamentala ämnen inom maskininlärning:   

• oövervakad och övervakad inlärning, klassifikation och regression
• matematisk bakgrund: informationsteori, sannolikhet och statistik
• likelihood, maximum likelihood och maximum a posteriori estimation,
• modellval, korsvalidering, evalueringsmetoder
• beslutsträd och -skogar, ensemblemetoder
• Baysisk klassificering
• Huvudkomponentanalys och dimensionsreducering
• Linjär regression
• Logistisk regression
• Neurala nätverk: förberedelse av data, backpropagation, gradient descent och aktiveringsfunktioner.
• Konvolutionellt neurala nätverk.

Tillämpade ämnen (överblick) inkluderar:

• specifika neurala nätverksarkitekturer för bildanalys.

Kursens examination

Betygsskala: TH - (U, 3, 4, 5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning:

Laborations/-inlämningsuppgifter och skriftlig tentamen. Godkända inlämningsuppgifter krävs för att få deltaga i examen. Slutbetyg på kursen baseras på den skriftliga 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.

Moduler
Kod: 0124. Benämning: Obligatoriska moment.
Antal högskolepoäng: 5.0. Betygsskala: UG - (U, G). Prestationsbedömning: För godkänt betyg krävs fullgjorda laborationer och inlämningsuppgifter. Godkända laborationer krävs för deltagande i skriftlig tentamen. Modulen omfattar: Laborationer och inlämningsuppgifter (alla fullgjorda krävs för godkänt betyg). Övrig information: Detaljerad information om laborationerna ges på kurshemsidan.
Kod: 0224. Benämning: Tentamen.
Antal högskolepoäng: 2.5. Betygsskala: TH - (U, 3, 4, 5). Prestationsbedömning: För att få delta i tentamen krävs godkända inlämningsuppgifter. Slutbetyg i kursen baseras på resultatet av den skriftliga tentamen. Modulen omfattar: Skriftlig tentamen.

Antagningsuppgifter

Förkunskapskrav:

• Minst 120 godkända högskolepoäng inom civilingenjörsutbildningen eller motsvarande tidigare utbildning.
• (EDA011 Programmeringsteknik eller EDA016 Programmeringsteknik eller EDA017 Programmeringsteknik eller EDA501 Programmering eller EDAA20 Programmering och databaser eller EDAA45 Programmering, grundkurs eller EDAA50 Programmeringsteknik eller EDAA55 Programmeringsteknik eller EDAA65 Programmering eller EDAA70 Inledande programmering med Python eller EDAA80 Programmeringsteknik, grundkurs eller EDAA85 Programmeringsteknik, grundkurs eller EDAA90 Programmeringsteknik och databaser, grundkurs eller EDAB05 Programmering, grundkurs)
    och
  (EDAA01 Programmeringsteknik - fördjupningskurs eller EDAA30 Programmering i Java - fortsättningskurs eller FMNN25 Avancerad kurs i numeriska algoritmer med Python/SciPy eller FRTF25 Introduktion till maskininlärning, system och reglering)

Kurslitteratur

• Kevin P. Murphy: Machine Learning - A Probabilistic Perspective. MIT Press, 2012, ISBN: 9780262018029. Referenstext om ämnet.
• C. M. Bishop: Pattern Recognition and Machine Learning - Information Science and Statistics. Springer, New York, 2006, ISBN: 9780387310732. Referenstext om 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. Introduktionsbok.

Kontaktinfo

Kursansvarig: Maj Stenmark, maj.stenmark@cs.lth.se
Lärare: Pierre Nugues, pierre.nugues@cs.lth.se
Examinator: Maj Stenmark, maj.stenmark@cs.lth.se
Hemsida: https://cs.lth.se/edan96/

Övrig information