I den här kursen kommer eleverna att lära sig om förhållandet mellan data, modeller och algoritmer för att förstå hur man kan bearbeta och dra slutsatser av data genom datautvinning och maskininlärning. Kursen introducerar en del teori om maskininlärning, men fokuserar främst på aktuella tillämpade metoder. Framgångsrika maskininlärningsapplikationer måste utformas genom ett kritiskt tänkande och förståelse av data, algoritmerna som kan tillämpas baserat på vilken typ av egenskaper datan visar och välja rätt paradigm för maskininlärning. Denna kurs ger en grund för att använda maskininlärning på ett etiskt och ansvarsfullt sätt. Vilka är de dominerande paradigmen inom maskininlärning och i vilka situationer används de bäst? Vilka perspektiv bör vi överväga när vi utformar applikationer för maskininlärning? Varför är ett kritiskt perspektiv viktigt för att utveckla maskininlärning?
CM2011 Tillämpad maskininlärning och artificiell intelligens 7,5 hp
Välkommen till en tillämpad kurs som ger en introduktion till maskininlärning och hur metoder inom djupinlärning används och utvecklas inom kliniska och biomedicinska tillämpningar. Kursen behandlar grunderna i datautvinning (data mining), maskininlärning och artificiell intelligens, och bygger vidare på detta med tillämpningar som är relevanta för kliniska och biomedicinska frågeställningar. Kursen består av föreläsningar och praktiska programmeringsövningar. Den omfattar övervakad och oövervakad inlärning, djupinlärning, naturlig språkbehandling (NLP) och transformermodeller, och ger en stabil grund som gör det möjligt för studenter att fördjupa sina kunskaper inom olika områden. Efter avslutad kurs förväntas deltagarna ha bred kunskap om olika tekniker inom maskininlärning, en konkret och praktisk förståelse för hur man modellerar data, samt insikt i hur dessa verktyg kan användas inom det medicinska området.
Information per kursomgång
Information för VT 2027 Start 2027-01-12 programstuderande
- Studielokalisering
KTH Flemingsberg
- Varaktighet
- 2027-01-12 - 2027-03-12
- Perioder
VT 2027: P3 (7.5 hp)
- Studietakt
50%
- Anmälningskod
10243
- Undervisningsform
Normal Dagtid
- Undervisningsspråk
Engelska
- Kurs-PM
- Kurs-PM är inte publicerat
- Antal platser
Ingen platsbegränsning
- Målgrupp
- Ingen information tillagd
- Planerade schemamoduler
- [object Object]
- Schema
- Del av program
Kontakt
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan CM2011 (VT 2025–)Innehåll och lärandemål
Kursinnehåll
Lärandemål
Efter godkänd kurs ska studenten ha kunskap om
- tillämpa metoder för att importera, kombinera och konvertera data till lämpligt format för dataanalys,
- förklara fördelarna med datautvinning och kunna välja och implementera lämpliga metoder i typiska fall då datautvinning tillämpas,
- välja, motivera och tillämpa vanligt förekommande inlärningsmetoder och algoritmer för typiska användningsfall och presentera resultaten på lämpligt sätt
- utforma och utföra prestandavalidering av ett maskininlärningssystem
- redogöra för teknologidesign, etik och regler vid användning och bearbetning av data
Kurslitteratur och förberedelser
Särskild behörighet
Avklarat examensarbete 15hp inom ingenjörsvetenskap, sociala vetenskaper, medicin, biomedicinsk teknik, tillämpad fysik, industriell ekonomi eller entreprenörskap. Alternativt 1 års yrkeserfarenhet inom medicinteknik, teknisk fysik, datateknik, elektroteknik eller entreprenörskap. 5hp programmeringskurs i Python eller R alternativ 3 månader erfarenhet av programmering. Engelska B/6.
Kurslitteratur
Examination och slutförande
Betygsskala
Examination
- PRO1 - Projektuppgift, 7,5 hp, betygsskala: A, B, C, D, E, FX, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
- Examinationen är uppdelad i två delar: den första delen består av 60 procent, 4,5 poäng av betyget och den andra av 40 procent, 3 poäng.
- Del 1 består av en uppsats och två programmeringsuppgifter. Programmerings uppgifterna kräver arbetskodsexempel och en liten rapport som förklarar koden. Alla tre betygsätts till 1,5 hp.
- Den andra delen är ett projekt som återigen är programmeringsbaserad och kräver en arbetskod och en liten rapport. Detta betygsätts till 3 hp.
- Närvaro krävs för 80 procent av föreläsningarna och seminarierna.
Övriga krav för slutbetyg
Godkänt projekt, uppdrag och deltagande i 80 procent av föreläsningarna.
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.