DD2431 Maskininlärning 6,0 hp

Machine Learning

OBS!

Detta är en nedlagd kurs.

En avancerad kurs i datalogi där studenterna lär sig att använda metoder från maskininlärning och artificiell intelligens.

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Datalogi och datateknik
    Informations- och kommunikationsteknik
    Informationsteknik
  • Betygsskala

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

Sista planerade examination: VT20.

Det finns inget planerat kurstillfälle.

Lärandemål

Syftet med kursen är att ge studenterna

  • grundläggande kunskaper om de viktigaste algoritmer och teori som utgör grunden för maskininlärning och beräkningsintelligens
  • en praktisk kunskap om maskininlärning algoritmer och metoder

så att de kommer att kunna

  • förklara principer, fördelar, begränsningar såsom överanpassning och möjliga tillämpningar av maskininlärning
  • identifiera och tillämpa lämplig maskininlärningsteknik för klassificering, mönsterigenkänning, optimering och beslutsproblem.

Kursens huvudsakliga innehåll

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.

Behörighet

För fristående kursstuderande krävs 90 högskolepoäng varav 45 högskolepoäng inom matematik och/eller informationsteknik, SF1604 Linjär algebra, samt kurserna SF1625 Envariabelanalys, SF1626 Flervariabelanalys, SF1901 Sannolikhetsteori och statistik, DD1337 Programmering och DD1338 Algoritmer och Datastrukturer eller motsvarande.

Rekommenderade förkunskaper

Kunskaper motsvarande: DD1321 Tillämpad datalogi, DD1340 Introduktion till datalogi, DD1343 Datalogi, DD1344 Grundläggande datalogi eller DD1346 Objektorienterad programkonstruktion.

Litteratur

Meddelas på kursens hemsida före kursstart.

Examination

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

I denna kurs tillämpas skolans hederskodex, se: http://www.kth.se/csc/student/hederskodex.

Ges av

CSC/Robotik, perception och lärande

Kontaktperson

Atsuto Maki, e-post: atsuto@kth.se

Examinator

Atsuto Maki <atsuto@kth.se>

Örjan Ekeberg <ekeberg@kth.se>

Påbyggnad

Diskuteras med kursledaren.

Versionsinformation

Kursplan gäller från och med HT2016.
Examinationsinformation gäller från och med HT2008.