TDDE77 · Linköpings universitet

Introduktion till praktisk maskininlärning

Ny kurs

Kom igång gratis

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

Kurs info

Kurssida Kursplan

Språk

Engelska

Nivå

Grundnivå

Fakultet

Tekniska fakulteten

Institution

Institutionen för datavetenskap

Lärandemål

Kursens övergripande mål är att ge en introduktion till maskininlärning med fokus på att implementera och använda modeller baserade på neurala nätverk. Kursen kommer att ge färdigheter i att implementera grundläggande deep learning-modeller i ett särskilt mjukvarubibliotek.
Efter avslutad kurs skall studenten kunna:
Använda grundläggande begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
Konstruera grundläggande modeller för klassificering och regression.
Implementera grundläggande maskininlärningsmodeller baserade på neurala nätverk i Python med hjälp av ett deep learning-ramverk och anpassa dessa till träningsdata.
Använda förtränade maskininlärningsmodeller och analysera deras prestanda.

Kursinnehåll

Denna kurs erbjuder en lättillgänglig introduktion till maskininlärning med fokus på att implementera och använda modeller baserade på neurala nätverk. Detta inkluderar: oövervakad och övervakad inlärning; regression och klassificering; modellträning, modellval och utvärdering; neurala nätverk; faltningsbaserade neurala nätverk; deep learning; maskininlärningsdrift (MLOps); tillämpning av metoderna på verkliga data. Kursen ger färdigheter i att implementera grundläggande deep learning-modeller i en särskild mjukvarumiljö, inklusive stöd för GPU-acceleration och automatisk differentiering, vilket är centrala funktioner för praktisk implementering av djupa neurala nätverk.

Förutsättningar