Maskininlärning, 9 hp (732A99)

Machine Learning, 9 credits

Kursbeskrivning

The course introduces main principles and methods of machine learning which are necessary for analysis of large or complex data. The course covers Decision Trees, Neural Networks, Gaussian processes and many other machine learning models and tools. During the course, students get practical experience by implementing own machine learning tools and using available models for analysis of real data, and a programming experience is therefore crucial for succeeding in the course.

Huvudområde

Statistik

Nivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Oleg Sysoev

Kursansvarig

Oleg Sysoev

Studierektor eller motsvarande

Jolanta Pielaszkiewicz
Kursen ges för Termin Veckor Språk Ort VOF
F7MSL Statistics and Machine Learning, Master´s Programme - First and main admission round 1 (HT 2020) v202045-202102 Engelska Linköping o
F7MSL Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) 1 (HT 2020) v202045-202102 Engelska Linköping o
VOF = Valbar / Obligatorisk / Frivillig

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

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. 
Studenten ska också ha följande kurser godkända: En grundkurs i statistik om minst 6 hp; en kurs i programmering om minst 6 hp.
Engelska B eller motsvarande.

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:

  • använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem som har anknytning till stora eller komplexa datamängder,
  • göra inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller,
  • använda maskininlärningsmetoder för prediktion och beslutsstöd,
  • utvärdera kvalitén av maskininlärningsmodeller,
  • välja en lämplig modell i situationer med begränsad eller saknad information om bakomliggande samband i datamaterialet,
  • implementera maskininlärningsmodeller i ett programmeringsspråk och använda existerande maskininlärningsmjukvaror för att analysera stora eller komplexa datamängder, göra prediktioner och utvärdera osäkerhet av dessa prediktioner.

Kursinnehåll

Kursen fokuserar på huvudbegrepp och huvudredskap i probabilistisk maskininlärning som är nödvändiga för ett professionellt arbete och forskning inom dataanalys.

  • introduktion och översikt av maskininlärning (inklusive regression, klassificering, övervakad och oövervakad inlärning) och dess tillämpningsområden,
  • Nearest Neighbors and Naïve Bayes,
  • diskriminantanalys, logistisk regression och beslutsträd,
  • modellval och osäkerhetsskattning: holdout metoden, korsvalidering, AIC, bootstrap och konfidensintervall,
  • linjär regression och regulariseringsmetoder (Ridge, LASSO),
  • splines, generaliserade linjära och additiva modeller,
  • principalkomponentanalys (PCA) och principalkomponentregression (PCR),
  • kernel utjämnare, kernel trick och supportvektormaskiner,
  • neurala nätverk,
  • bagging, boosting och random forests,
  • online learning och mixture models.

Undervisnings- och arbetsformer

Kursen består av föreläsningar, datorövningar och seminarier som kompletteras med självstudier. Föreläsningarna ägnas åt genomgång av teori, koncept och metodik. Datorövningarna ägnas åt praktisk dataanalys i en med hjälp av maskininlärningsmjukvara. Seminarier ägnas åt studentpresentationer och diskussioner av uppgifter.
Undervisningsspråk: engelska.

 

Examination

Skriftlig redovisning av labbuppgifter. Obligatorisk närvaro på seminarierna. En skriftlig tentamen. Detaljerad information återfinns i studiehandledningen.

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 datavetenskap
Det finns ingen kurslitteratur tillgänglig för den här kursen.
DAT1 Tentamen EC 5 hp
LAB1 Laboration 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. Det finns inga filer att visa.

Sidansvarig: Infocenter, infocenter@liu.se