Text

Kursplan - Maskininlärningskoncept

Omfattning

7.5 hp

Kurskod

DVA262

Giltig från

Hösttermin 2022

Utbildningsnivå

Grundnivå

Successiv fördjupning

G1F (Grundnivå, har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav).

Huvudområde(n)

Datavetenskap

Akademi

Akademin för innovation, design och teknik

Fastställd

2022-01-24

Litteraturlistor

Kurslitteraturen är preliminär till 8 veckor innan kursstart. Kurslitteratur kan vara giltig över flera terminer.

    • Beslutsdatum: 2023-06-26
    • Senaste uppdatering: 2023-06-27

    Alpaydin, Ethem.

    Introduction to machine learning, third edition [electronic resource] / Ethem Alpaydin

    uuuu-uuuu

    ISBN: 9780262325745 LIBRIS-ID: 6j4934th4n014kzv

    URL: Tillgänglig för användare inom Mälardalens högskola

    Kapitel 1-5 och kapitel 7-9.

    Obligatorisk

    Deisenroth, Marc Peter; Faisal, A. Aldo; Ong, Cheng Soon

    Mathematics for machine learning

    Cambridge : Cambridge University Press, [2020] - xvii, 371 sidor

    ISBN: 9781108470049 LIBRIS-ID: 0c1cjjz8x3849ghq

    Kapitel 1-3 och kapitel 6.

    https://mml-book.github.io/

    Obligatorisk

Syfte

Syftet med kursen är att ge deltagarna grundläggande kunskaper om övervakad och oövervakad maskininlärning och hur dessa kan tillämpas för klassificering och regression.

Lärandemål

Efter avslutad kurs ska studenten kunna:  

1. beskriva de grundläggande behoven, utmaningarna och begränsningarna för maskininlärning,
2. beskriva och förstå de grundläggande principerna för övervakad inlärning för klassificering,  
3. beskriva och förstå de grundläggande principerna för övervakad inlärning för regression och 
4. beskriva och förstå de grundläggande principerna för oövervakad inlärning.

Innehåll

- Grunderna för maskininlärning.  

- Matematik för maskininlärning.  

- Övervakad maskininlärning för klassificering: kNN, DT, linjära modeller.  

- Övervakad maskininlärning för regression: Linjär regression.  

- Oövervakad maskininlärning: K-medel, Fuzzy c-medel.

Särskild behörighet

7,5 hp Objektorienterad programmering på G1F-nivå.

Examination

Laboration (LAB1), k-NN, 1 hp, examinerar lärandemål 2, betyg Underkänd (U) eller Godkänd (G). 
Laboration (LAB2), Beslutsträd, 1 hp, examinererar lärandemål 2, betyg Underkänd (U) eller Godkänd (G). 
Laboration (LAB3), Logistik regression, 1 hp, examinererar lärandemål 2, betyg Underkänd (U) eller Godkänd (G). 
Laboration (LAB4), Linjär regression, 1 hp, examinererar lärandemål 3, betyg Underkänd (U) eller Godkänd (G). 
Laboration (LAB5), Klustring, 1 hp, examinererar lärandemål 4, betyg Underkänd (U) eller Godkänd (G). 
Tentamen (TEN1), Salstentamen, 2,5 hp, examinerar lärandemål 1-4, betyg Underkänd (U), 3, 4 eller 5.

En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.

Betyg

Med beröm godkänd, icke utan beröm godkänd, godkänd, underkänd