Kursens huvudinnehåll är en genomgång av en serie "klassiska" artiklar som kritiskt reflekterar kring arbete inom datavetenskap och maskininlärning och relaterade discipliner, till exempel tillämpad statistik.
FDT3303 Kritiska perspektiv på datavetenskap och maskininlärning 7,5 hp
Denna kurs förbereder en student för kritisk reflektion över utvecklingen inom datavetenskap och maskininlärning, inom såväl kommersiella som akademiska områden.
Information för forskarstuderande om när kursen ges
Oktober – December 2019
Innehåll och lärandemål
Kursinnehåll
Lärandemål
Efter godkänd kurs ska studenten kunna:
• beskriva och förklara problem och fallgropar vid tolkning av standardexperiment utförda i dessa discipliner
• tolka befintligt arbete baserat på grundläggande principer (t ex ingen fri lunch, bias-variansbyte, informationsteori etc.)
• identifiera svagheter och begränsningar i ett befintligt arbete, och bedöma de påståenden som gjorts utifrån de framlagda bevisen
• analysera reproducerbarhet och replikabilitet i ett befintligt arbete
• bedöma de etiska konsekvenserna av ett befintligt arbete
• föreslå förbättringar av ett befintligt arbete
Kurslitteratur och förberedelser
Särskild behörighet
Kursen kan tas av doktorander med tillräcklig erfarenhet av statistik, datavetenskap och/eller maskinlärning och artificiell intelligens.
Rekommenderade förkunskaper
Kursen kan tas av doktorander med tillräcklig erfarenhet av statistik, datavetenskap och/eller maskininlärning och artificiell intelligens.
Utrustning
Inga
Kurslitteratur
Example literature for review include:
• W. Kimball, “Errors of the third kind in statistical consulting,” J. American Statistical Assoc., vol. 52, pp. 133–142, June 1957.
• D. J. Hand, “Deconstructing statistical questions,” J. Royal Statist. Soc. A (Statistics in Society), vol. 157, no. 3, pp. 317–356, 1994.
• D. J. Hand, “Classifier technology and the illusion of progress,” Statistical Science, vol. 21, no. 1, pp. 1–15, 2006.
• K. L. Wagstaff, “Machine learning that matters,” in Proc. Int. Conf. Machine Learning, pp. 529–536, 2012.
• C. Drummond and N. Japkowicz, “Warning: Statistical benchmarking is addictive. Kicking the habit in machine learning,” J. Experimental Theoretical Artificial Intell., vol. 22, pp. 67–80, 2010.
• P. Langley, “Advice to authors of machine learning papers,” Machine Learning, vol. 5, pp. 233–237, 1990.
• R. Holte, “Very simple classification rules perform well on most commonly used datasets,” Machine Learning, vol. 11, pp. 63–91, 1993.
• E. Keogh and J. Lin, “Clustering of time series subsequences is meaningless: Implications for past and future research,” in Knowledge and Information Systems, Springer-Verlag, 2004.
• E. R. Dougherty and L. A. Dalton, “Scientific knowledge is possible with small-sample classification,” EURASIP J. Bioinformatics and Systems Biology, vol. 2013:10, 2013.
• J. Bryson and A. Winfield, “Standardizing ethical design for artificial intelligence and autonomous systems,” Computer, vol. 50, pp. 116–119, May 2017.
• A.-L. Boulesteix, “Ten simple rules for reducing overoptimistic reporting in methodological computational research,” PLoS Comput Biol, vol. 11, p. e1004191, 04 2015.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- EXA1 - Examination, 7,5 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.
Examinationen omfattar ett kort forskningsprojekt som måste dokumenteras i en skriftlig rapport och en muntlig presentation.
Övriga krav för slutbetyg
20 minuters muntlig presentation under ett seminarium
80% av seminarierna (hemuppgifter)
Godkänd projektrapport
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.