ID2225 Lärande maskiner 7,5 hp

Learning Machines

OBS!

Informationen nedan baseras på en kursplan som ännu inte har börjat gälla.

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Datalogi och datateknik
  • Betygsskala

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

Kurstillfällen/kursomgångar

HT19 för programstuderande

HT18 för programstuderande

Lärandemål

Efter godkänd kurs ska studenten kunna

1. lösa problem självständigt

a. ta del av litteraturen om lärande maskiner och redogöra för deras roll såväl historiskt som idag och i framtiden,
b. relatera egna modeller till redan existerande forskning och utveckling inom området lärande maskiner,

2. bemästra abstraktion

a. definiera vad en lärande maskin är och inte är,
b. identifiera relevanta begrepp och tillämpbara metoder och verktyg,
c. associera kritiskt olika relevanta begrepp och företeelser med lärande maskiner,
d. instrumentalisera relevanta abstrakta begrepp,

3. implementera lärande maskiner

a. använda verktyg för att bygga egna lärande maskiner, samt analysera andras,
b. programmera, testa och utvärdera kritiskt egen programvara för lärande maskiner,
c. uppskatta riktigheten och den beräkningsmässiga komplexiteten i program för lärande maskiner

i syfte att

  • få kunskaper om de olika vis på vilka maskininlärningsmetoder kan kombineras för att inneslutas i fysiska eller abstrakta modeller, så kallade lärande maskiner,
  • kunna resonera om hur svåra problem bäst löses med hjälp av lärande maskiner,
  • kunna värdera vilka problem, vilka overheadkostnader och vilka metainlärningsverktyg som bör användas,
  • få ett förhållningssätt till ämnet som medger etiska perspektiv inom vilka generell artificiell intelligens ingår.

För högre betyg ska studenten dessutom kunna

  • analysera statistiska störfaktorer (confounders), överanpassning, samt generaliserbarhet i egna lösningar baserade på lärande maskiner,
  • genomföra självkritisk granskning av egen programmering av lärande maskiner, inklusive etiska perspektiv och hållbarhetsperspektiv, samt dokumentera densamma,
  • bemästra metanivån genom att modellers olika lösningar baserade på lärande maskiner, det vill säga tala om dessa med användning av adekvat terminologi.

Kursens huvudsakliga innehåll

  • AI-grundvalar för lärande maskiner.
  • Statistisk inlärningsteori I: Perceptroner och neurala nätverk.
  • Statistisk inlärningsteori II: Lärandeproblemet.
  • Maskininlärningsmetoder.
  • Internetpsykiatri som ett typfall för lärande maskiner.
  • Kritiska perspektiv på lärande maskiner.
  • Systemiska egenskaper hos lärande maskiner LM2LM-kommunikation och inlärning i multiagentsystem.
  • Teknikförändring och lärande maskiners framtid.
  • Tillämpningar av lärande maskiner.

Kursupplägg

Grunden utgörs av en föreläsningsserie som täcker etablerad litteratur. Inbjudna föreläsningar täcker djupa tekniska områden och tillämpningar. Nya plattformar för interaktiv mjukvara som stödjer utveckling av lärande maskiner kommer användas. 

Behörighet

Litteratur

Kurskompendium och öppna Internet-resurser

Examination

  • RAP1 - Kursrapport, 4,5, betygsskala: A, B, C, D, E, FX, F
  • SEM1 - Aktivt deltagande i seminarier, 3,0, betygsskala: P, 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/Datavetenskap

Examinator

Magnus Boman <mab@kth.se>

Versionsinformation

Kursplan gäller från och med HT2019.
Examinationsinformation gäller från och med VT2019.