definiera och beskriva lösningsbara/hanterbara inlärningsproblem.
översiktligt förklara och sammanfatta resultat från tillämpning och utvärdering av maskininlärning.
2. Färdighet och förmåga
modifiera eller producera och använda maskininlärning för olika typer av inlärningsproblem.
planera och verkställa experiment för utvärdering och jämförelse av lärande system.
3. Värderingsförmåga och förhållningssätt
utvärdera och jämföra lärande system för olika inlärningsproblem med hänsyn till mänskliga, ekonomiska och samhälleliga fördelar.
värdera och jämföra metoder och åtgärder för utvärdering av lärande system med avseende på etiska aspekter och tillförlitlighet.
Kursinnehåll
Det huvudsakliga syftet med kursen är att introducera teori och metod från maskininlärning (ML) samt praktiska tillämpningar inom informationsutvinning (data mining). Kursen omfattar följande teman: Introduktion till maskininlärning: motivation, mål, teori och existerande metoder samt forsknings- och tillämpningstrender. Utveckling av maskininlärning: planering, design, data förbehandling (pre-processing), implementering, och testning av maskininlärning. Inriktningar och områden inom maskininlärning: övervakad inlärning (supervised learning), oövervakad inlärning (unsupervised learning), klassificering, meta-inlärning (meta learning), multi-instansinlärning (multi-instance learning). Utvärdering av maskininlärning: ansatser, metoder, och mått för utvärdering och validering av maskininlärning.
Förutsättningar
För tillträde till kursen krävs avklarade hp i programmering, 5 hp, datastrukturer och algoritmer, 5 hp samt matematisk statistik eller sannolikhetsteori, 5 hp. Engelska 6.