DM1590 Maskininlärning för medieteknik 7,5 hp

Machine Learning for Media Technology

  • Utbildningsnivå

    Grundnivå
  • Huvudområde

    Teknik
  • Betygsskala

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

Kurstillfällen/kursomgångar

VT20 ml4media för programstuderande

  • Perioder

    VT20 P3 (7,5 hp)

  • Anmälningskod

    60495

  • Kursen startar

    2020-01-15

  • Kursen slutar

    2020-03-14

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Kursansvarig

    Bob Sturm <bobs@kth.se>

  • Målgrupp

    Sökbar för CMETE.

  • Del av program

Lärandemål

Efter godkänd kurs ska studenten kunna:

  • utveckla och modifiera medietillämpningar som använder maskininlärning och utvärdera dem på lämpligt sätt,
  • rekommendera metoder för maskininlärning för särskilda medietillämpningar,
  • beskriva och förklara arbetsflödet vid maskinlärning,
  • förklara och kontrastera övervakade och oövervakade inlärningsmetoder,
  • förklara och kontrastera parametriska och icke-parametriska metoder,
  • förklara träning, validering och provning av maskininlärningsmodeller,
  • sammanfatta bästa praxis och fallgropar i tillämpad maskininlärning för medieteknik.

i syfte att

•         kunna tillämpa och utvärdera maskininlärningsmodeller och metoder inom medieteknik.

Kursens huvudsakliga innehåll

Kursen börjar med en översikt av vad maskininlärning är och varför det är viktigt. Detta illustreras med flera verkliga tillämpningar i olika medier, t.ex. textsammanfattning, ljud- och musikrekommendation och bildhämtning. Kursen presenterar sedan arbetsflödet för maskininlärningsutveckling, som utgör en översikt över resten av kursen. Kursen presenterar de två allmänna klasserna av maskininlärningsmetoder: övervakat lärande (till exempel närmaste granne, beslutsträd) och oövervakat lärande (t ex k-medelkluster, huvudkomponentanalys). För dessa presenterar kursen olika typer av modellering: parametrisk (t.ex. Bayes, minstakvadratmetoden) och icke-parametrisk (till exempel närmaste grannar, beslutsträd). Kursen granskar gemensamma metoder för utvärdering av maskininlärningsmodeller (t ex holdout, bootstrap). Slutligen presenteras bästa praxis (t.ex. partitionering) tillsammans med vanliga fallgropar (t ex överträning).

Behörighet

Slutförda kurser

SF1624 Algebra och geometri, SF1625 Envariabelanalys, DD1318 Programmeringsteknik och tekniska beräkningar samt minst två av SF1626 Flervariabelanalys, SF1919 Sannolikhetsteori och statistik eller DD1320 Tillämpad datalogi eller motsvarande.

Litteratur

Uppgift om kurslitteratur meddelas i kurs-PM.

Examination

  • LAB1 - Laborationer, 4,5, betygsskala: P, F
  • PRO1 - Projekt, 3,0, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, i samråd med KTH:s samordnare för funktionsnedsättning (Funka), om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning. Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Ges av

EECS/Människocentrerad teknologi

Examinator

Versionsinformation

Kursplan gäller från och med HT2019.
Examinationsinformation gäller från och med HT2019.