DD2421 Maskininlärning 7,5 hp

Machine Learning

Visa kursinformation utifrån vald termin och kursomgång:

Kursomgång och genomförande

Ingen kursomgång är vald

Välj termin och kursomgång ovan för att få information från rätt kursplan och kursomgång.

Kursinformation

Innehåll och lärandemål

Kursinnehåll *

Kursen vänder sig till studenter på avancerad- och forskarnivå i datalogi och liknande fack som ingenjörsvetenskap och statistik. Kursen behandlar frågan hur datorn kan lära sig från tidigare erfarenheter. Den ger en översikt över maskininlärningsområdet och beskriver ett antal inlärningsparadigm, algoritmer, teoretiska resultat och tillämpningar. Kursen behandlar de grundläggande begreppen i statistik, artificiell intelligens, informationsteori och sannolikhetslära som är relevanta för maskininlärning.

Följande ämnen behandlas i detalj:

  • närmaste-granne klassificerare
  • beslutsträd
  • bias och varians trade-off
  • regression
  • probabilistiska metoder
  • Bayesiansk inlärning
  • support-vektor maskiner
  • artificiella neuronnät
  • ensemble metoder
  • dimensionalitetsreduktion
  • underrumsmetoder.

Lärandemål *

Efter godkänd kurs ska studenten kunna

  • beskriva de viktigaste algoritmerna och teorin som utgör grunden för maskininlärning och beräkningsintelligens
  • förklara principen för maskininlärning och hur algoritmerna och metoderna kan användas
  • diskutera fördelar med och begränsningar hos maskininlärning för olika tillämpningar

i syfte att kunna identifiera och tillämpa lämplig maskininlärningsteknik för klassificering, mönsterigenkänning, regression och beslutsproblem.

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet *

Slutförda kurser i samtliga följande ämnen:

  • flervariabelanalys motsvarande SF1626
  • sannolikhetslära och statistik motsvarande SF1912/SF1914/SF1915/SF1916/SF1920/SF1921/SF1922/SF1923/SF1924
  • programmering motsvarande DD1337/DD1310/DD1312
  • algoritmer och datastrukturer motsvarande DD1338/DD1320/DD1321/DD1325.

Den som uppfyller särskilda behörighetskraven till masterprogrammet i maskininlärning anses uppfylla ovanstående krav.

Aktivt deltagande i kursomgång vars slutexamination ännu inte är Ladokrapporterad jämställs med slutförd kurs. Detta gäller endast för student som är förstagångsregistrerad på den behörighetsgivande kursomgången eller har både denna och den sökta kursomgången i sin individuella studieplan.

Rekommenderade förkunskaper

Ingen information tillagd

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala *

A, B, C, D, E, FX, F

Examination *

  • LAB1 - Laborationer, 3,5 hp, betygsskala: P, F
  • TEN1 - Tentamen, 4,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s samordnare för funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Tentamen är skriftlig.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Atsuto Maki

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.

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb DD2421

Ges av

EECS/Intelligenta system

Huvudområde *

Datalogi och datateknik

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Atsuto Maki (atsuto@kth.se)

Övrig information

I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex