TNK129 · Linköpings universitet
Maskininlärning för smarta städer
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
6
Språk
Svenska
Nivå
Avancerad nivå
Fakultet
Tekniska fakulteten
Institution
Institutionen för teknik och naturvetenskap
Lärandemål
Den studerande ska efter genomgången kurs kunna:
- Förklara antaganden och teorier bakom olika metoder av maskininlärning
- Förklara och motivera skillnader i egenskaper mellan olika typer av metoder och ge exempel på när de bör tillämpas
- Utvärdera och välj bland olika metoder för en specifik probleminstans och datamängder
- Använd befintliga datamängder för att träna och utvärdera olika maskininlärningsmodeller
- Använd utvalda maskininlärningsmodeller för förutsägelse, slutledning och beslutsfattande för tillämpningar inom smarta städer
Kursinnehåll
Kursen ska ge kunskap inom maskininlärning. Kursen kommer att behandla både konventionella maskininlärningsmetoder samt djupinlärning. Kursens innehåll inkluderar statistisk slutledning, bias-variance tradeoff, Bayesiansk inlärning, Gaussiska processer, stödvektormaskiner, kernels/kärnor, neurala nätverk, deep learning och förstärkningsinlärning
Förutsättningar
- Grundläggande kunskaper i linjär algebra, kalkyl, statistik och sannolikhetsteori samt datorprogrammering.
Litteratur
Pattern recognition and machine learning. - Bishop, Christopher M.
Machine learning : a first course for engineers and scientists - Lindholm, Andreas, Verfasser, Wahlström
Lecture notes from Stanford course CS229
The elements of statistical learning : data mining, inference, and prediction. - Hastie, Trevor, Tibshirani, Robert
An introduction to statistical learning : with applications in R. - James, Gareth, Witten, Daniela
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis