Efter avslutad kurs ska studenten ha förmågan att:
Djupgående förståelse av grundläggande metoder och teorier i ämnet
Välja relevanta metoder för ett givet problem i ämnet
Tillämpa inhämtad kunskap i nya problemställningar
Uppvisa förmåga att kritiskt utvärdera och jämföra olika modeller för artificiell intellighens och lärande algoritmer för olika problemställningar och utfallskaraktäristik
Kursinnehåll
Kursen går längre i teorin och matematiska metoder för sub-symbolisk AI, företrädesvis maskininlärning och mönsterigenkänning. Kursen ger en överblick över både grundläggande och mer djupgående metoder maskininlärning och mönsterigenkänning, såsom K-NN och varianter därav, "support vector machines", beslutsträd och "random forests", " Naïve Bayes" och Bayesianska nätverk, förväntningsmaximering, evolutionära metoder, instansbaserat lärande, förstärkt lärande och metoder för utvärdering av läranderesultat. Vidare introduceras koncept och metoder som krävs för att designa, träna och validera neurala nätverk. Metoder för förbättrad maskininlärning och mönsterigenkänning kommer också behandlas övergripande, så som "multiple classificer combination", ensamble-metoder, "baggin", "boosting" och utökade metoder. Slutligen kommer metoder för oövervakad inlärning att behandlas, så som klustring (k-medelvärde, hierarkisk, DBSCAN), PCA, LDA och andra mönsterigenkänningstekniker.
Förutsättningar
Grundläggande behörighet samt Kunskaper inom logik, mängdlära och grafteori motsvarande M0009M Diskret matematik. Grundläggande kunskap i programmering, exempelvis D0009E Introduction to Programming eller D0028E Programmering och digitalisering. Kunskaper i engelska, motsvarande Engelska 6.