DM1590 Maskininlärning för medieteknik 7,5 hp
Välj termin och kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursval
Gäller för kursomgång
VT 2025 Start 2025-03-17 programstuderande
Anmälningskod
60126
Innehåll och lärandemål
Kursinnehåll
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).
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.
Kurslitteratur och förberedelser
Särskild behörighet
Kunskaper och färdigheter i programmeringsteknik, 6 hp, motsvarande slutförd kurs DD1310-DD1318/DD100N/DD1331/DD1337/ID1018.
Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1919.
Aktivt deltagande i kursomgång vars slutexamination ännu inte är Ladokrapporterad jämställs med slutförd kurs.
Den som är registrerad anses vara aktivt deltagande.
Med slutexamination avses både ordinarie examination och det första omexaminationstillfället.
Rekommenderade förkunskaper
Utrustning
Kurslitteratur
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- LABA - Laborationer, 3,5 hp, betygsskala: P, F
- PROA - Projekt, 3,0 hp, betygsskala: A, B, C, D, E, FX, F
- ÖVNA - Övningsuppgifter, 1,0 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.
Möjlighet till komplettering
Möjlighet till plussning
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.
Ytterligare information
Kursrum i Canvas
Ges av
Huvudområde
Utbildningsnivå
Påbyggnad
Övergångsbestämmelser
Studenter som inte slutförde kursen första gången den gavs (VT2020) måste slutföra de laborationer de inte avslutat, alla övningsuppgifter och projekt.
Övrig information
I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex