EP234U Grunderna i tillämpad maskininlärning 5,0 hp

Introduktion och motivation
Översikt över motiverande tillämpningar, bra och dåliga
Kursplanering och hemuppgiftsstruktur
Genomgång av lärande och modellering: Maskininlärning i ett grafikrenderingssystem
Exempel: Near Neighbor-klassificering
Parametrar och hyperparametrar
Träning, validering och testning
Partitionering av data: Exklusion, bootstrap, K-fold CV, LOOCV, etc.
Resultatmetrik: Förvirringssystem, korrekthet, precision och täckning

Övervakad inlärning 1
Probabilistisk klassificering och regression
Inkludera begrepp om risker vid klassificering och regression
Bayesiansk klassificering: Linjär diskriminantanalys
Bayesiansk klassificering: Kvadratisk diskriminantanalys
Bayesiansk klassificering: Naiv Bayes

Övervakad inlärning 2
Parameterskattning
Minstakvadratregression
Normering: LASSO ridge regression,
Bayesiansk regression
Logistisk regression

Oövervakat lärande 1
Vad är oövervakat lärande?
Dimensionens förbannelse
Principalkomponentanalys
Multidimensionell skalning
Översikt över K-means

Oövervakat lärande 2
Hierarkisk klustring
Densitetbaserad klustring
Avvikelsedetektion, avvikare (isoleringsskog)
Gaussiska blandade modeller
Deterministisk eller sannolikhetsteoretisk klustring

Arbeta med tidsserier
Motiverande exempel
Transformation mellan tids- och frekvensplan
Autoregressiv modellering
Autoregressiv modellering av rörligt medelvärde

Datarepresentation och utformning av särdrag
Utveckling av särdrag
Urval av särdrag
Samordnad optimering av särdragsutveckling och - klassificering

Pipeline för maskininlärning
AutoML-verktyg
Fallgropar med standardmetoder
Utökning och andra datatrick
Ansvar för utvecklaren och användaren
Tolka modeller för att motivera beslut
Korrelation och orsakssamband: maskininlärning är inte magiskt

Fördjupning: Förstärkningsinlärning (RL)
Översikt av tillämpningar inom förstärkningsinlärning
Grunderna för förstärkningsinlärning
Q-inlärning

Efter godkänd kurs ska studenten kunna

• sammanfatta maskininlärning i ett grafikrenderingssystem, motivera dess komponenter och diskutera de problem som kan uppstå
• tillämpa olika befintliga övervakade och oövervakade maskininlärningsmetoder för givna datamängder och bedöma och granska deras resultat
• förklara olika maskininlärningsmetoder och kontrastera deras positiva och negativa egenskaper
• tolka befintliga realiseringar av olika maskininlärningsmetoder och anpassa dem för specifika situationer
• diskutera etiska dimensioner av maskininlärningsforskning, utveckling och tillämpning.

• Kunskaper i envariabelanalys motsvarande IX1304 Matematik 7,5 hp
• Kunskaper i linjär algebra motsvarande SF1672 Linjär algebra 7,5 hp
• Kunskaper i sannolikhetsteori motsvarande SF2940 Sannolikhetsteori 7,5 hp
• Kunskaper i programmering motsvarande DD1315 Programmering och Matlab 7,5 hp
• Gymnasiekursen Engelska B/6

• LAB1 - Laborationer, 4,0 hp, betygsskala: P, F
• PRO1 - Projekt, 1,0 hp, betygsskala: P, 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.

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

• 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.