Kursen består av en inledande inläsningsdel vilken omfattar klassificering och regressionsproblem problem, statistiska metoder: t.ex. kNN, Artificiella Neurala Nätverk och beslutsträd. Instuderingen är uppdelad i tre separata studieblock, för varje block erbjuds 1-3 Föreläsningar, 2 seminarier Innehållet i studieblocken är:
Studieblock 1 - Statistiska metoder
Blocket innehåller grundläggande statistiska verktyg för dataanalys och förbehandling av data. Dessutom, distansbaserade metoder såsom K Nearest Neighbour och andra icke övervakade inlärningstekniker.
Studieblock 2 - Artificiella neuronnät
Ämnet omfattar design och optimering av lärande i ANN inkuderande enkla och flernivå nätverk. Metoder för optimering och lärande: som t.e.x Kohonen maps ingår. Dessutom är metoder för strukturerad sökning i problem inkluderade i detta studieblock.
Studieblock 3 - Beslutsträd
Detta studieblock innefattar analys och utformning av beslutsträd för klassificering och regression. Metoder för optimal delning av träd och validering med avseende på noggrannhet ingår också.
Det individuella projektet motsvarar 4,5 hp och handlar om att utveckla en beslutsstödsapplikation som utnyttjar maskininlärningstekniker. Projektet skall bestå av identifiering av ämnet, inläsning av relaterade arbete på tillämpningen, insamling och rengöring av data som behövs för tillämpningen, val av lämplig maskininlärningsalgoritm, utveckling av lösning och dokumentation av lösningen i form av ett konferenspapper som lämpar sig för en konferensen fokuserad på tillämpningar: t.ex. IEEE ISGT eller liknande.