DV2578 Maskininlärning

Programkurs, 7,5 Högskolepoäng, Avancerad nivå, höstterminen 2020

Denna kurs är del av program och går inte att söka till.

Det huvudsakliga syftet med kursen är att introducera teori och metod från maskininlärning (machine learning) samt praktiska tillämpningar inom informationsutvinning (data mining). Den teknologiska utvecklingen har bidragit till att vi blivit mer beroende av databaser för lagring och databehandling. Antalet databaser och mängden innehåll i dessa växer snabbt. I takt med denna tillväxt blir det svårare att manuellt finna användbar information från den stora mängden data. Vi behöver därför semiautomatiska och automatiska metoder för att använda, aggregera, analysera och extrahera sådan information. Metoder och tekniker från maskininlärning, informationsutvinning, och artificiell intelligens har visat sig användbara för detta syfte.

Fakta

  • Undervisningsform: Campus, dagtid, deltid 50%
  • Period: 2020 vecka 45 till 2021 vecka 02
  • Nivå: A1N
  • Anmälan: Denna kurs är del av program och går inte att söka till.
  • Språk: Undervisningen ges på engelska.
  • Ort: Karlskrona
  • Huvudområde: Datavetenskap
  • Kursplan: Ladda ner
  • Välkomstbrev: Denna kurs är en del av ett program och saknar välkomstbrev.
  • Förkunskapskrav: För tillträde till kursen krävs genomgången kurs i Tillämpad artificiell intelligens, 7,5 hp.

Innehåll

Kursen omfattar följande teman:
Dagens och framtidens maskininlärning: motivation, mål, teori och existerande metoder samt forsknings- och tillämpningstrender.
Utveckling av maskininlärning: planering, design, implementering, och testning av maskininlärning.
Inriktningar och områden inom maskininlärning: övervakad inlärning (supervised learning), icke övervakad inlärning (unsupervised learning), klassificering, metainlärning (meta learning).
Utvärdering av maskininlärning: Ansatser, metoder, och mått för utvärdering och validering av maskininlärning.

Lärandemål

Kunskap och förståelse
  • utförligt kunna definiera och beskriva lösningsbara/hanterbara inlärningsproblem.
  • översiktligt kunna förklara och sammanfatta resultat från tillämpning och utvärdering av maskininlärning.


Färdighet och förmåga
  • utförligt kunna modifiera eller producera och använda maskininlärning för olika typer av inlärningsproblem.
  • utförligt kunna planera och verkställa experiment för utvärdering och jämförelse av lärande system.


Värderingsförmåga och förhållningssätt
  • utförligt kunna värdera och jämföra lärande system för olika typer av inlärningsproblem givet olika utvärderingskriterier.
  • utförligt kunna värdera och jämföra metoder och mått för utvärdering av maskininlärning.

Generella förmågor

Kurslitteratur och övriga läromedel

Kurslitteratur
HUVUDLITTERATUR

1. Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Författare: Peter Flach
Förlag: Cambridge University Press
Utgiven: 2012, Antal sidor: 396
ISBN13: 9781107096394

REFERENSLITTERATUR

1. Evaluating Learning Algorithms: A Classification Perspective
Författare: Japkowicz, N., Shah, M.
Förlag: Cambridge University Press
Utgiven: 2011, Antal sidor: 424
ISBN10: 0521196000
ISBN13: 9780521196000

2. Data Mining: Practical Machine Learning Tools and
Techniques, Third ed
Författare: Witten, I., Frank, E., Hall, Mark A. Förlag: Morgan Kaufmann
Utgiven: 2011, Antal sidor: 664
ISBN10: 0123748569
ISBN13: 9780123748560

3. Probability and Statistics for Engineers and Scientists, Ninth edition / International edition Författare: Walpole, R., Myers, R., Myers, S., Ye, K. Förlag: Pearson
Utgiven: 2011, Antal sidor: 816
ISBN10: 0321748239
ISBN13: 9780321748232

Kurslitteratur och övriga läromedel

Kurslitteratur
HUVUDLITTERATUR

1. Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Författare: Peter Flach
Förlag: Cambridge University Press
Utgiven: 2012, Antal sidor: 396
ISBN13: 9781107096394

REFERENSLITTERATUR

1. Evaluating Learning Algorithms: A Classification Perspective
Författare: Japkowicz, N., Shah, M.
Förlag: Cambridge University Press
Utgiven: 2011, Antal sidor: 424
ISBN10: 0521196000
ISBN13: 9780521196000

2. Data Mining: Practical Machine Learning Tools and
Techniques, Third ed
Författare: Witten, I., Frank, E., Hall, Mark A. Förlag: Morgan Kaufmann
Utgiven: 2011, Antal sidor: 664
ISBN10: 0123748569
ISBN13: 9780123748560

3. Probability and Statistics for Engineers and Scientists, Ninth edition / International edition Författare: Walpole, R., Myers, R., Myers, S., Ye, K. Förlag: Pearson
Utgiven: 2011, Antal sidor: 816
ISBN10: 0321748239
ISBN13: 9780321748232

Lärande och undervisning

Kursen är förlagd till campus. Utbildningen består av föreläsningar och laborationer som tillsammans bidrar till teoretisk förståelse och praktisk förmåga att analysera, implementera, och utvärdera maskininlärning. Laborationerna syftar till att introducera plattformar, verktyg, och programmeringsgränssnitt för maskininlärning. Den tillägnade kunskapen sätts på prov och fördjupas ytterligare genom inlämningsuppgifter, där ämnesrelaterade problem skall lösas antingen genom implementation av lärande system eller med hjälp av existerande verktyg. Kursen innehåller ett individuellt projekt i vilket ett ämnesrelaterat problem ska definieras teoretiskt och lösas praktiskt. Lösningen eller lösningarna ska utvärderas/jämföras experimentellt och resultatet ska sammanfattas och analyseras i en projektrapport. Inlämningsuppgifterna och projektet ska utföras individuellt. Kursen använder en läroplattform för publicering av kursmaterial och information. I plattformen bedrivs även studentdiskussioner, inlämning av uppgifter och förmedling av återkoppling.

Arbetslivsanknytning

Ingen praktik ingår i planerade lärtillfällen. BTH strävar efter tät kontakt med näringslivet vid utveckling av kurser och program.

Bedömning

Examinationsmoment för kursen
Kod Benämning Högskolepoäng Betyg
1810 Inlämningsuppgift 1 1 G-U
1820 Inlämningsuppgift 2 1 G-U
1830 Projekt 5.5 A-F

Betyg

Kursen bedöms med betygen A Utmärkt, B Mycket bra, C Bra, D Tillfredsställande, E Tillräckligt, FX Otillräckligt, komplettering krävs, F Underkänd.

Kommande tentamenstillfällen

Inga kommande centralt samordnade tentamenstillfällen hittades för denna kurs.

För att få delta vid ett centralt samordnat tentamenstillfälle måste du ha anmält dig i Studentportalen senast 15 dagar innan tentamensdagen.


Lokal och tidpunkt publiceras ca 5 dagar innan tentamensdagen.


Det kan finnas andra planerade examinationstillfällen. Information om de finns i It's Learning eller på annan plats som kursansvarig hänvisar till.

Kursutvärdering

Kursansvarig ansvarar för att studenternas synpunkter på kursen systematiskt och regelbundet inhämtas och att resultaten av utvärderingar i olika former påverkar kursens utformning och utveckling.