DM1590 · Kungliga Tekniska högskolan
Maskininlärning för medieteknik
Ny kurs
Inga tentor än
Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial
Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg
HP
7.5
Språk
Svenska
Nivå
Grundnivå
Fakultet
Skolan för elektroteknik och datavetenskap
Institution
EECS/Människocentrerad teknologi
Lärandemål
Efter godkänd kurs ska studenten kunna
- utveckla och modifiera medietillämpningar som använder maskininlärning och utvärdera dem på lämpligt sätt,
- rekommendera metoder för maskininlärning för särskilda medietillämpningar,
- beskriva och förklara arbetsflödet vid maskinlärning,
- förklara och kontrastera övervakade och oövervakade inlärningsmetoder,
- förklara och kontrastera parametriska och icke-parametriska metoder,
- förklara träning, validering och provning av maskininlärningsmodeller,
- sammanfatta bästa praxis och fallgropar i tillämpad maskininlärning för medieteknik
- kunna tillämpa och utvärdera maskininlärningsmodeller och metoder inom medieteknik.
Kursinnehåll
Kursen börjar med en översikt av vad maskininlärning är och varför det är viktigt. Detta illustreras med flera verkliga tillämpningar i olika medier, t.ex. textsammanfattning, ljud- och musikrekommendation och bildhämtning. Kursen presenterar sedan arbetsflödet för maskininlärningsutveckling, som utgör en översikt över resten av kursen. Kursen presenterar de två allmänna klasserna av maskininlärningsmetoder: övervakat lärande (till exempel närmaste granne, beslutsträd) och oövervakat lärande (t ex k-medelkluster, huvudkomponentanalys). För dessa presenterar kursen olika typer av modellering: parametrisk (t.ex. Bayes, minstakvadratmetoden) och icke-parametrisk (till exempel närmaste grannar, beslutsträd). Kursen granskar gemensamma metoder för utvärdering av maskininlärningsmodeller (t ex holdout, bootstrap). Slutligen presenteras bästa praxis (t.ex. partitionering) tillsammans med vanliga fallgropar (t ex överträning).
Förutsättningar
- Kunskaper och färdigheter i programmeringsteknik, 6 hp, motsvarande slutförd kurs DD1310-DD1318/DD100N/DD1331/DD1337/ID1018.
- Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1919.
- Aktivt deltagande i kursomgång vars slutexamination ännu inte är Ladokrapporterad jämställs med slutförd kurs.
- Den som är registrerad anses vara aktivt deltagande.
- Med slutexamination avses både ordinarie examination och det första omexaminationstillfället.
Litteratur
Saknas
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis