DD2431 Maskininlärning 6,0 hp

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

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.

Kursupplägg

Ingen information tillagd

Särskild 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.

Utrustning

Ingen information tillagd

Kurslitteratur

Meddelas på kursens hemsida före kursstart.

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, 3,0 hp, betygsskala: P, F
• TEN1 - Tentamen, 3,0 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.

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

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Örjan Ekeberg

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.

Kurswebb

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

Ges av

CSC/Robotik, perception och lärande

Huvudområde

Datalogi och datateknik, Informations- och kommunikationsteknik, Informationsteknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

Diskuteras med kursledaren.

Kontaktperson

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