Neuronnät och lärande system, 6 hp (732A55)

Neural Networks and Learning System, 6 credits

Huvudområde

Datavetenskap

Nivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Magnus Borga

Kursansvarig

Magnus Borga

Studierektor eller motsvarande

Marcus Larsson
Kursen ges för Termin Veckor Språk Ort VOF
F7MSL Statistics and Machine Learning, Master´s Programme - First and main admission round 2 (VT 2021) v202103-202112 Engelska Linköping v
F7MSL Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) 2 (VT 2021) v202103-202112 Engelska Linköping v
VOF = Valbar / Obligatorisk / Frivillig

Huvudområde

Datavetenskap

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

Kursen ges för

  • Master's Programme in Statistics and Machine Learning

Förkunskapskrav

Kandidatexamen i något av följande ämnen: statistik, matematik, tillämpad matematik, datavetenskap, teknik eller motsvarande examen. Utöver detta, erfordras godkända/avklarade kurser i kalkyl, linjär algebra, statistik och programmering. 
Engelska B eller motsvarande.

Lärandemål

Efter avslutad kurs ska den studerande på en avancerad nivå kunna:
- konstruera och tillämpa artificiella neuronnät och liknande metoder för signal, bild och dataanalys som lär sig tidigare erfarenheter och observerat data,
- tillämpa metoder för att designa algoritmer och för att finna meningsfulla samband i multidimensionella signaler där komplexitetsgraden gör traditionella modellbaserade metoder olämpliga eller omöjliga att använda. 
- redogöra för skillnaden mellan olika inlärningsparadigm, implementera och använda några av de vanligaste metoderna inom dessa paradigm och välja lämplig metod för ett givet problem. 

Kursinnehåll

Kursen behandlar följande:
Maskininlärning, klassificering, mönsterigenkänning och högdimensionell dataanalys. 
Övervakad inlärning: neurala nätverk, linjär diskriminantanalys, support vector machines, ensemble metoder, boosting. 
Oövervakad inlärning: mönster i högdimensionell data, dimensionalitetsreduktion, klustring, principal komponentanalys, oberoende komponentanalys.
Reinforcement inlärning: Markov modeller, Q-learning.

Undervisnings- och arbetsformer

Föreläsningar, lektioner och laborationer. Utöver detta ska den studerande utöva självstudier. Undervisningsspråk: Engelska 

Examination

Examinationen består av  en skriftlig tentamen och laborationsuppgifter med obligatoriska inlämningsuppgifter. Detaljerad information om examinationerna återfinns i kursens studiehandledning.

Om LiU:s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det. Om koordinatorn istället har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Institution

Institutionen för medicinsk teknik
Det finns ingen kurslitteratur tillgänglig för den här kursen.
LAB1 Laboration EC 2 hp
TENT Tentamen EC 4 hp

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida. Klicka på filen för att spara ner och öppna den.

Sidansvarig: Infocenter, infocenter@liu.se